✨ 项目背景 ✨

   人工智能，特别是计算机视觉技术的迅猛发展，正深刻改变诸多领域，如自动驾驶、医疗影像和智能安防。在这一进程中，高质量图像数据集是算法训练与评估的核心基础。CIFAR-10作为计算机视觉领域的经典基准数据集，以其适中的规模、清晰的10个类别定义（涵盖飞机、汽车、鸟类等常见物体）和丰富的32x32像素彩色图像，成为研究者验证新算法性能、进行模型对比及学习图像识别技术的“试金石”。

  然而，处理CIFAR-10这类小尺寸、低分辨率的彩色图像并实现高精度分类，对传统机器学习方法构成显著挑战。这要求模型具备强大的特征提取能力，并能有效理解图像的空间结构和色彩信息。卷积神经网络（CNN）凭借其独特的结构特性（如局部连接、权值共享）和分层特征提取机制，在处理图像数据方面展现出卓越优势，已成为解决复杂图像识别任务的核心架构。掌握CNN在CIFAR-10上的应用，是理解深度学习图像处理原理的关键一步。

  本项目旨在通过下载并使用CIFAR-10数据集，构建并训练一个卷积神经网络模型，实现对其彩色图像的精确识别与分类。这不仅是对深度学习基础理论的实践演练，更是通向解决更复杂现实世界视觉问题的重要基石。项目将深化对CNN工作机制的理解，为后续探索先进视觉模型和实际应用提供坚实的技术基础。

✨ 数据集说明 ✨

CIFAR-10（Canadian Institute For Advanced Research）是计算机视觉领域的经典基准数据集，专为图像分类任务设计，具有以下关键特性：

1. 数据构成

• 图像数量：60,000张彩色图像
• 类别数量：10个互斥类别，分别对应标签值0-9
  飞机（airplane）、汽车（automobile）、鸟类（bird）、猫（cat）、鹿（deer）、狗（dog）、青蛙（frog）、马（horse）、船（ship）、卡车（truck）
• 数据划分：
  • 训练集：50,000张
  • 测试集：10,000张

2. 图像特性

• 尺寸：32×32像素（极低分辨率）
• 通道：RGB彩色三通道
• 内容：物体居中显示，背景简单，但包含视角、光照、姿态等自然变化

A. 业务分析（30%）

评估目标

评估学生理解业务需求、分析数据基本情况。

实操任务

1. 数据获取与初步处理（15分）

• 从Keras中导入Cifar-10数据集（5分）
  • （1）导入 TensorFlow 、numpy、matplotlib.pyplot模块。（3分）
  • （2）从 Keras 中导入Cifar-10数据集。（2分）
• 数据预处理（10分）
  • （1）通过load_data()方法，训练集的特征值和标签值分别存储在 x_train 和 y_train 中，将测试集的特征值和标签值分别存储在 x_test 和 y_test 中。（4分）
  • （2）将特征值x_train和x_test的数据类型转换为tf.float32，并进行标准化处理，使其取值范围为0～1。（4分）
  • （3）将标签值y_train和y_test的数据类型转换为tf.int32。（2分）

1. Cifar-10数据集数据探索分析（10分）

• 检查数据集基本情况（6分）
  • （1）显示数据集的特征值x_train、x_test和标签值y_train、y_test的shape属性值。（4分）
  • （2）显示数据集的特征值x_train和标签值y_train的数据类型属性值。（2分）
• Cifar-10数据集统计分析（4分）
  • （1）统计各类别样本数量。（2分）
  • （2）计算像素值统计信息。（2分）

1. 关键信息提取（5分）

• 根据数据集的shape属性值、各类别样本数量等信息具体说明Cifar-10各类别数据基本情况分布。（5分）

A.1.1 从Keras中导入Cifar-10数据集

（1）导入 TensorFlow 、numpy、matplotlib.pyplot模块。

import tensorflow as tf
import numpy as np  
import matplotlib.pyplot as plt

e:\anaconda3\envs\rag_env\Lib\site-packages\keras\src\export\tf2onnx_lib.py:8: FutureWarning: In the future `np.object` will be defined as the corresponding NumPy scalar.
  if not hasattr(np, "object"):

（2）从 Keras 中导入Cifar-10数据集。

from tensorflow.keras.datasets import cifar10

A.1.2 数据预处理

（1）通过load_data()方法，训练集的特征值和标签值分别存储在 x_train 和 y_train 中，将测试集的特征值和标签值分别存储在 x_test 和 y_test 中

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

Downloading data from https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
[1m170498071/170498071[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m45s[0m 0us/step

（2）将特征值x_train和x_test的数据类型转换为tf.float32，并进行标准化处理，使其取值范围为0～1。

x_train = tf.cast(x_train, tf.float32) / 255.0
x_test = tf.cast(x_test, tf.float32) / 255.0

（3）将标签值y_train和y_test的数据类型转换为tf.int32。

y_train = tf.cast(y_train, tf.int32)
y_test = tf.cast(y_test, tf.int32)

A.2.1 检查数据集基本情况

（1）显示数据集的特征值x_train、x_test和标签值y_train、y_test的shape属性值。

print("x_train.shape=", x_train.shape)
print("y_train.shape=", y_train.shape)
print("x_test.shape=", x_test.shape)
print("y_test.shape=", y_test.shape)

x_train.shape= (50000, 32, 32, 3)
y_train.shape= (50000, 1)
x_test.shape= (10000, 32, 32, 3)
y_test.shape= (10000, 1)

（2）显示数据集的特征值x_train和标签值y_train的数据类型属性值。

print("x_test的数据类型：", x_train.dtype)
print("y_test的数据类型：", y_train.dtype)

x_test的数据类型： <dtype: 'float32'>
y_test的数据类型： <dtype: 'int32'>

A.2.2 Cifar-10数据集统计分析

（1）统计各类别样本数量。

def count_classes(labels):
    unique, counts = np.unique(labels, return_counts=True)
    return dict(zip(unique, counts))

print("训练集类别分布：", count_classes(y_train.numpy().flatten()))
print("测试集类别分布：", count_classes(y_test.numpy().flatten()))

训练集类别分布： {np.int32(0): np.int64(5000), np.int32(1): np.int64(5000), np.int32(2): np.int64(5000), np.int32(3): np.int64(5000), np.int32(4): np.int64(5000), np.int32(5): np.int64(5000), np.int32(6): np.int64(5000), np.int32(7): np.int64(5000), np.int32(8): np.int64(5000), np.int32(9): np.int64(5000)}
测试集类别分布： {np.int32(0): np.int64(1000), np.int32(1): np.int64(1000), np.int32(2): np.int64(1000), np.int32(3): np.int64(1000), np.int32(4): np.int64(1000), np.int32(5): np.int64(1000), np.int32(6): np.int64(1000), np.int32(7): np.int64(1000), np.int32(8): np.int64(1000), np.int32(9): np.int64(1000)}

（2）计算像素值统计信息。

# 计算像素值统计信息
print("\n像素值统计：")
print("训练集的最小值:", np.min(x_train))
print("训练集的最大值:", np.max(x_train))
print("训练集的均值:", np.mean(x_train))
print("训练集的标准差:", np.std(x_train))

像素值统计：
训练集的最小值: 0.0
训练集的最大值: 1.0
训练集的均值: 0.473363
训练集的标准差: 0.25156894

A.3.1 根据数据集的shape属性值、各类别样本数量等信息具体说明Cifar-10各类别数据基本情况分布

CIFAR-10 数据集共包含 60,000 张 32×32 的 RGB 彩色图像，分为 10 个互斥类别（飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车）。

• 训练集：50,000 张，每类 5,000 张，完全均衡。
• 测试集：10,000 张，每类 1,000 张，同样均衡。
• 图像尺寸小（32×32），但包含丰富的姿态、光照和背景变化，对模型泛化能力构成挑战。
• 像素值范围为 [0, 255]，经归一化后为 [0, 1]，均值约为 0.47，标准差约 0.25。

B. 智能训练（40%）

评估目标 评估学生对数据的处理和应用深度学习方法的能力。

实操任务

1. 构建卷积神经网络模型（32分）
   图像识别分类网络模型采用卷积神经网络，包括两个卷积层、两个池化层、4个Dropout层、一个拉伸层、两个全连接层和一个输出层，网络结构如图所示。 image.png
   • （1）通过Sequential（）构建卷积神经网络模型对象model。(1分)
   • （2）在model对象中添加第一组“卷积层+池化层+Dropout层”，包括添加卷积层，输出通道数为32，卷积核大小为3×3，填充方式为’same’，使用ReLU函数作为激活函数；然后添加最大池化层，池化窗口大小为2×2，步长大小为(1,1)，填充方式为’same’；最后添加Dropout层，丢弃概率为0.2。(6分)
   • （3）在model对象中添加第二组“卷积层+池化层+Dropout层”，包括添加卷积层，输出通道数为64，卷积核大小为3×3，填充方式为’same’，使用ReLU函数作为激活函数；然后添加最大池化层，池化窗口大小为2×2，步长大小为(1,1)，填充方式为’same’；最后添加Dropout层，丢弃概率为0.2。(6分)
   • （4）在model对象中添加拉伸层。(3分)
   • （5）在model对象中添加全连接层，神经元个数为512，使用ReLU函数作为激活函数。(3分)
   • （6）在model对象中添加Dropout层，丢弃概率为0.2。(3分)
   • （7）在model对象中添加全连接层，神经元个数为256，使用ReLU函数作为激活函数。(3分)
   • （8）在model对象中添加Dropout层，丢弃概率为0.5。(3分)
   • （9）在model对象中添加输出层，Cifar-10数据集是10分类问题，因此输出层有10个神经元，激活函数采用Softmax函数。(3分)
   • （10）通过summary()显示模型参数信息。(1分)
2. 编译、训练和评估卷积神经网络模型（8分）
   • （1）编译网络模型，其中，优化器使用Adam优化器，损失函数使用稀疏交叉熵损失函数，性能评估函数使用稀疏交叉熵准确率函数。（4分）
   • （2）训练网络模型，并将训练结果保存在history中。设置批量的大小为128，迭代次数为10，验证集的数据占比为0.2。（2分）
   • （3）使用测试集数据对网络模型进行评估，其中，设置批量的大小为64，日志显示模式verbose为2。（2分）

B.1 构建卷积神经网络模型

（1）通过Sequential（）构建卷积神经网络模型对象model。

model = tf.keras.Sequential()

（2）在model对象中添加第一组“卷积层+池化层+Dropout层”，包括添加卷积层Conv2D（），输出通道数为32，卷积核大小为3×3，填充方式padding为’same’，使用ReLU函数作为激活函数，输入数据的形状为input_shape=x_train.shape[1:]；然后添加最大池化层MaxPool2D（），池化窗口pool_size大小为2×2，步长strides大小为(1,1)，填充方式为’same’；最后添加Dropout层，丢弃概率为0.2。

# 使用add()函数逐层添加网络层
model.add(tf.keras.layers.Conv2D(32, (3, 3), padding='same', activation='relu', input_shape=x_train.shape[1:]))
model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=(1, 1), padding='same'))
model.add(tf.keras.layers.Dropout(0.2))

e:\anaconda3\envs\rag_env\Lib\site-packages\keras\src\layers\convolutional\base_conv.py:113: UserWarning: Do not pass an `input_shape`/`input_dim` argument to a layer. When using Sequential models, prefer using an `Input(shape)` object as the first layer in the model instead.
  super().__init__(activity_regularizer=activity_regularizer, **kwargs)

（3）在model对象中添加第二组“卷积层+池化层+Dropout层”，包括添加卷积层，输出通道数为64，卷积核大小为3×3，填充方式为’same’，使用ReLU函数作为激活函数；然后添加最大池化层，池化窗口大小为2×2，步长大小为(1,1)，填充方式为’same’；最后添加Dropout层，丢弃概率为0.2。

model.add(tf.keras.layers.Conv2D(64, (3, 3), padding='same', activation='relu'))
model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=(1, 1), padding='same'))
model.add(tf.keras.layers.Dropout(0.2))

（4）在model对象中添加拉伸层Flatten()层。

model.add(tf.keras.layers.Flatten())

（5）在model对象中添加全连接层，神经元个数为512，使用ReLU函数作为激活函数。

model.add(tf.keras.layers.Dense(512, activation='relu'))

（6）在model对象中添加Dropout层，丢弃概率为0.2。

model.add(tf.keras.layers.Dropout(0.2))

（7）在model对象中添加全连接层，神经元个数为256，使用ReLU函数作为激活函数。

model.add(tf.keras.layers.Dense(256, activation='relu'))

（8）在model对象中添加Dropout层，丢弃概率为0.5。

model.add(tf.keras.layers.Dropout(0.5))

（9）在model对象中添加输出层，Cifar-10数据集是10分类问题，因此输出层有10个神经元，激活函数采用Softmax函数。

model.add(tf.keras.layers.Dense(10, activation='softmax'))

（10）通过summary()显示模型参数信息。

model.summary()

B.2 编译、训练和评估卷积神经网络模型

（1）编译网络模型，其中，优化器使用Adam优化器，损失函数使用稀疏交叉熵损失函数SparseCategoricalCrossentropy，性能评估函数使用稀疏交叉熵准确率函数sparse_categorical_accuracy。

#编译网络模型（重要参数，optimizer,loss,metrics）
model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(),
    metrics=['sparse_categorical_accuracy']
)

（2）训练网络模型，并将训练结果保存在history中。设置批量的大小为128，迭代次数为10，验证集的数据占比validation_split为0.2。

#训练网络模型
history = model.fit(
    x_train, y_train,
    batch_size=128,
    epochs=10,
    validation_split=0.2,
    verbose=1
)

Epoch 1/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m71s[0m 223ms/step - loss: 1.8371 - sparse_categorical_accuracy: 0.3446 - val_loss: 1.3610 - val_sparse_categorical_accuracy: 0.5170
Epoch 2/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m77s[0m 246ms/step - loss: 1.3006 - sparse_categorical_accuracy: 0.5367 - val_loss: 1.1700 - val_sparse_categorical_accuracy: 0.5871
Epoch 3/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m68s[0m 218ms/step - loss: 1.1094 - sparse_categorical_accuracy: 0.6065 - val_loss: 1.0569 - val_sparse_categorical_accuracy: 0.6276
Epoch 4/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m70s[0m 223ms/step - loss: 0.9630 - sparse_categorical_accuracy: 0.6610 - val_loss: 0.9826 - val_sparse_categorical_accuracy: 0.6555
Epoch 5/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m83s[0m 228ms/step - loss: 0.8455 - sparse_categorical_accuracy: 0.7048 - val_loss: 0.9454 - val_sparse_categorical_accuracy: 0.6769
Epoch 6/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m82s[0m 262ms/step - loss: 0.7422 - sparse_categorical_accuracy: 0.7388 - val_loss: 0.9193 - val_sparse_categorical_accuracy: 0.6899
Epoch 7/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m87s[0m 279ms/step - loss: 0.6443 - sparse_categorical_accuracy: 0.7741 - val_loss: 0.9138 - val_sparse_categorical_accuracy: 0.6940
Epoch 8/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m73s[0m 235ms/step - loss: 0.5352 - sparse_categorical_accuracy: 0.8140 - val_loss: 0.9563 - val_sparse_categorical_accuracy: 0.7033
Epoch 9/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m96s[0m 308ms/step - loss: 0.4713 - sparse_categorical_accuracy: 0.8368 - val_loss: 0.9716 - val_sparse_categorical_accuracy: 0.7038
Epoch 10/10
[1m313/313[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m152s[0m 338ms/step - loss: 0.3992 - sparse_categorical_accuracy: 0.8606 - val_loss: 1.0937 - val_sparse_categorical_accuracy: 0.6928

（3）使用测试集数据对网络模型进行评估，其中，设置批量的大小为64，日志显示模式verbose为2。

#评估网络模型
test_loss, test_acc = model.evaluate(x_test, y_test, batch_size=64, verbose=2)
print(f"准确率: {test_acc:.4f}")

157/157 - 4s - 24ms/step - loss: 1.1371 - sparse_categorical_accuracy: 0.6773
准确率: 0.6773

C. 智能系统设计（25%）

评估目标

评估学生人机交互、应用网络模型的能力。

实操任务

1. 图像展示 （5分）

• Cifar-10数据集部分图像进行展示（5分）
  • （1）查看训练集中10张图片，生成随机整数n，n代表测试集中选中数据的下标。设置不显示坐标轴，设置plt.rcParams[‘font.sans-serif’]为SimHei。通过plt.imshow()方法绘制图像，标题显示标签值。（5分）

1. 可视化训练的结果（8分）

• 通过读取history的history属性赋值（4分）
  • （1）读取history的history属性，分别将训练集损失函数值赋值给变量loss、训练集准确率赋值给变量acc、验证集损失函数值赋值给变量val_loss、验证集准确率赋值给变量val_acc。（4分）
• 绘制损失函数与准确率的折线图（4分）
  • （1）创建子图，在子图1中绘制损失函数值的折线图。（2分）
  • （2）在子图2中绘制准确率的折线图，显示图形。（2分）

1. 应用卷积神经网络模型 （12分）

• 在测试集中随机选择10张图片，使用训练完成的卷积神经网络模型进行预测。
  • （1）创建画布，使用随机函数生成随机整数赋值给变量n，n代表测试集中选中数据的下标。（2分）
  • （2）设置不显示坐标轴，设置plt.rcParams[‘font.sans-serif’]为SimHei。（2分）
  • （3）将测试数据维度改为(1,32,32,3)，并赋值给demo。（2分）
  • （4）应用网络模型得到概率最大的下标，即预测值。（2分）
  • （5）创建子图，在子图中绘制测试图像，并在子图标题上显示标签值和预测值，最后显示图形。（4分）

C.1 Cifar-10数据集部分图像进行展示

（1）查看训练集中10张图片，生成随机整数n，n代表测试集中选中数据的下标。设置不显示坐标轴，设置plt.rcParams[‘font.sans-serif’]为SimHei。通过plt.imshow()方法绘制图像，标题显示标签值。

plt.figure()
for i in range(10):
    n=np.random.randint(1,len(x_train))             #生成随机整数n
    plt.subplot(2,5,i+1)                        #创建子图
    plt.axis("off")                             #设置不显示坐标轴
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.imshow(x_train[n])          #绘制图像
    title="标签值："+str((y_train.numpy())[n,0])
    plt.title(title)                            #设置子图标题
plt.show()                                      #显示图形

png

png

C.2.1 通过读取history的history属性赋值

（1）读取history的history属性，分别将训练集损失函数值赋值给变量loss、训练集准确率赋值给变量acc、验证集损失函数值赋值给变量val_loss、验证集准确率赋值给变量val_acc。

#读取history的history属性
loss = history.history['loss']
acc = history.history['sparse_categorical_accuracy']
val_loss = history.history['val_loss']
val_acc = history.history['val_sparse_categorical_accuracy']

C.2.2 绘制损失函数与准确率的折线图

（1）创建子图，在子图1中绘制损失函数值的折线图。

#创建画布并设置画布的大小
plt.figure(figsize=(10,3))
#在子图1中绘制损失函数值的折线图

plt.subplot(1, 2, 1)  
plt.plot(loss, label='训练损失')
plt.plot(val_loss, label='验证损失')
plt.title('损失函数变化')
plt.xlabel('轮次')  
plt.ylabel('损失值')  
plt.legend()

plt.show()

png

png

（2）在子图2中绘制准确率的折线图，显示图形。

#在子图2中绘制准确率的折线
plt.subplot(1, 2, 2)
plt.plot(acc, label='训练准确率')
plt.plot(val_acc, label='验证准确率')
plt.title('准确率')
plt.xlabel('轮次')       
plt.ylabel('准确率')        
plt.legend()

plt.show()

png

png

C.3.3 在测试集中随机选择10张图片，使用训练完成的卷积神经网络模型进行预测。

- （1）创建画布，使用随机函数生成随机整数赋值给变量n，n代表测试集中选中数据的下标。
- （2）设置不显示坐标轴，设置plt.rcParams['font.sans-serif']为SimHei。
- （3）将测试数据维度改为(1,32,32,3)，并赋值给demo。
- （4）应用网络模型得到概率最大的下标，即预测值。
- （5）创建子图，在子图中绘制测试图像，并在子图标题上显示标签值和预测值，最后显示图形。

plt.figure()
for i in range(10):
    n=np.random.randint(1,len(x_test))              #生成随机整数n
    plt.subplot(2,5,i+1)                        #创建子图
    plt.axis("off")                             #设置不显示坐标轴
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.imshow(x_test[n],cmap='gray')           #绘制图像
    demo = tf.reshape(x_test[n], (1, 32, 32, 3))
    y_pred=np.argmax(model.predict(demo))     #应用网络模型
    title="标签值："+str((y_test.numpy())[n,0])+"\n预测值："+str(y_pred)
    plt.title(title)                            #设置子图标题
plt.show()                                      #显示图形

[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 57ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 35ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 27ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 36ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 24ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 26ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 29ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 28ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 34ms/step
[1m1/1[0m [32m━━━━━━━━━━━━━━━━━━━━[0m[37m[0m [1m0s[0m 36ms/step

png

png

D. 培训与指导模块（5%）

评估目标

评估学生进行知识传递与模型解释的能力。

实操任务
- 以 markdown 格式编写卷积神经网络模型相比于全连接神经网络的优点、核心网络层、提升网络模型准确率的方法等。（5分）

D.1 以 markdown 格式编写卷积神经网络模型相比于全连接神经网络的优点、核心网络层、提升网络模型准确率的方法等。

参见“卷积神经网络模型理解.md”

卷积神经网络（CNN） vs 全连接神经网络（FCN）

一、CNN 相比于全连接网络的优点

1. 参数共享：卷积核在整张图像上滑动，共享权重，大幅减少参数量。
2. 稀疏连接：每个输出只与局部输入区域连接，降低计算复杂度。
3. 平移不变性：能识别图像中任意位置的特征（如边缘、纹理）。
4. 自动特征提取：无需人工设计特征，通过多层卷积学习层次化特征表示。
5. 适合处理高维数据：尤其适用于图像、视频等具有空间结构的数据。

二、CNN 的核心网络层

层类型	功能说明
卷积层（Conv2D）	提取局部特征，使用可学习的滤波器扫描输入
激活函数（ReLU）	引入非线性，增强模型表达能力
池化层（MaxPooling）	降采样，减少参数、防止过拟合、增强鲁棒性
全连接层（Dense）	将高维特征映射到类别空间，用于最终分类
Dropout 层（可选）	随机失活神经元，提升泛化能力

三、提升 CNN 模型准确率的方法

1. 数据增强：旋转、翻转、裁剪、亮度调整等，扩充训练样本多样性。
2. 使用更深/更宽的网络：如 ResNet、VGG 等经典架构。
3. 正则化技术：Dropout、L2 权重衰减。
4. 优化器选择：Adam、RMSprop 等自适应学习率优化器。
5. 学习率调度：动态调整学习率（如 ReduceLROnPlateau）。
6. 批量归一化（Batch Normalization）：加速训练、稳定分布。
7. 迁移学习：使用预训练模型（如 ResNet50）进行微调。
8. 早停（Early Stopping）：防止过拟合。