基于卷积神经网络的FashionMNIST分类

作业内容：

实现卷积神经网络，并在FashionMNIST数据集上实现图像分类。

• 采取不同的网络参数（层数、激活、学习率、优化方法、resnet、densenet等）对性能的影响？

  基本要求是采用标准cnn实现分类。网络参数的影响，作为扩展，依照个人兴趣。

• 计算复杂度分析：参数量、模型大小、训练时长、单个样本平均测试时长

• 训练过程的loss曲线如何变化：训练集、验证集、测试集

• Top-n 精度如何？

• 混淆矩阵？

• 可以使用pytorch、keras、tensorflow等不同库进行实现。

技术报告要求

• 提交PDF格式技术报告
• 内容完备：方法简介、实验设置、实验结果及分析、代码；参考下面的技术报告内容示例
• 格式规范、排版美观
• 推荐：采用LaTex或markdown撰写文档，然后生成PDF

作业提交说明：

• 技术报告：PDF格式，命名为：《深度学习》作业3-姓名
• 代码：作为技术报告附录，或python源文件（命名为：《深度学习》作业3-姓名）。
• 提交至作业邮箱，邮件标题：《深度学习》作业3-姓名
• 截止时间：2021年6月2日24:00。

技术报告内容示例：

1.卷积神经网络算法简介

算法简介

网络结构图（建议ppt画图，然后插入到技术报告里）

2.实验设置及结果分析

首先介绍实验的数据库，然后介绍实现算法时用到的编程语言、工具包等，之后介绍实验的设置，之后汇报实验结果，并对结果进行分析。

2.1 数据集

数据集简介及数据集划分

2.2 性能指标

采用的性能指标，各自的计算公式和物理含义

2.3 采取不同的神经网络参数或结构对性能的影响

展示结果，并分析不同的网络参数或结构对性能的影响

2.4 计算复杂度分析：

参数量、模型大小、训练时长、单个样本平均测试时长

展示结果，并分析

2.5 训练过程的loss曲线如何变化：训练集、验证集、测试集

展示结果，并分析

2.6 Top-n精度、混淆矩阵

展示结果，并分析

2.7 不同框架下的性能对比（可选）

使用scikit-learn、pytorch、keras等不同库进行实现，可以进行对比。展示结果，并分析。

3. 总结与展望

总结自己的工作，指出存在的问题，及未来可能的改进方法

参 考 文 献

[1] 网上的文献（举例：The Cooperative Association for Internet Data Analysis(CAIDA) [EB/OL],http://www.caida.org/data 2010,7,18）采用脚注，一般不作为参考文献。 [2] Zhou Yong-Bin, Feng Deng-Guo. Design and analysis of cryptographic protocols for RFID. Chinese Journal of Computers, 2006, 29(4): 581-589 (in Chinese) (周永彬, 冯登国. RFID安全协议的设计与分析. 计算机学报, 2006, 29(4): 581-589)

附录：代码（或提供python代码源文件）

> 返回深度学习课程