基于paddle搭建神经网络实现5种水果识别分类python源码+数据集（高分毕设）.zip

## 水果分类 ### 数据集介绍 - 来源：爬虫爬取百度图片 - 内容：总共1036水果图片，共5个类别（苹果288张、香蕉275张、葡萄216张、橙子276张、梨251张） - 图像预处理时，将其中的10%作为测试数据，90%作为训练数据 ### 总体步骤 - 数据预处理：建立分类文件，建立数据集和测试集 - 训练与模型评估 - 读取测试图片进行预测 #### 步骤一：预处理 - 图片位于5个目录中，遍历每个目录，将其中的90%写入训练集文件中，10%写入测试集文件中，文件中记录了图片的路径，用于数据读取器进行读取 - 生成3个文件：readme.json(汇总文件)、train_list(训练集)、test.list(测试集) - 注意 - 数据集的路径是否正确 - 生成的汇总文件、训练集文件、测试集文件是否正确 #### 步骤二：模型训练与评估 - 模型： - 输入层 ——》 卷积-池化层-dropout ——》 卷积-池化层-dropout ——》 卷积-池化层-dropout ——》全连接层 ——》dropout ——》 全连接层 ——》输出 #### 步骤三：预测 ### 优化手段 - 样本 - 增大样本数量 - 数据增强 - 形态变化：翻转、平移，随机修剪，尺度变化，旋转（卷积核的旋转） - 色彩变化：图像白化（将图像本身归一化成Gaussian(0,1)分布） - 加入噪声 - 模型和参数 - 丢弃学习：按照一定的比率丢弃神经元输出 - 权重的衰减：为损失函数添加惩罚项使得训练模型参数尽可能的小 - 批量正则化：在每一层输入之前增加归一化处理，使得均值为0，标准差为1，将数据限制在统一分布之下 - 变化学习率 - 更换精度更高的网络模型，如由简单的CNN换成VGG、GooLeNet