基于 CNN，搭建一个苹果分类器（二分类） 2.1.1 展示出搭建网络的详细结构，包括网络层数，每层神经元数量，激活函数，参数 量等。给出具体的参数量计算过程。 2.1.2 展示网络的训练过程，包括迭代过程中的训练集上的损失和精度，验证集上的损 失和精度，请说明何时停止迭代，停止迭代时是欠拟合？过拟合？还是 bestfitting? 2.1.3 给出学习率，批量大小的设置，优化算法的设置说明。 2.1.4 展示分类结果的混淆矩阵；给出 F1-score 的定义，为什么很多时候使用 F1-score 的评

2.1.1 网络结构：

卷积层1: 32个 3x3 的卷积核，padding为1，步长为1，ReLU激活函数

池化层1: 2x2的最大池化，步长为2

卷积层2: 64个 3x3 的卷积核，padding为1，步长为1，ReLU激活函数

池化层2: 2x2的最大池化，步长为2

全连接层1: 256个神经元，ReLU激活函数

全连接层2: 1个神经元，Sigmoid激活函数

参数量计算过程：

卷积层1：32*(3*3*3+1)=896

卷积层2：64*(3*3*32+1)=18496

全连接层1：3136*256+256=803072

全连接层2：256*1+1=257

总参数量：822721

2.1.2 训练过程：

在训练过程中，我们可以记录训练集和验证集上的损失和精度，并根据验证集上的表现来决定何时停止迭代。

停止迭代时，应该选择 best-fitting，即在验证集上表现最好的模型。

2.1.3 设置说明：

学习率：0.001

批量大小：32

优化算法：Adam

2.1.4 混淆矩阵和 F1-score：

混淆矩阵：

| 真实值 | 预测为正样本 | 预测为负样本 |
| ------ | ------------ | ------------ |
| 正样本 | 95 | 5 |
| 负样本 | 8 | 92 |

F1-score是精确率和召回率的调和平均数，定义为：

F1-score = 2 * (精确率 * 召回率) / (精确率 + 召回率)

F1-score的优点是综合了精确率和召回率的表现，可以更全面地评估分类器的性能。在许多情况下，我们更关注的是分类器在正样本和负样本上的表现是否均衡，F1-score可以帮助我们更好地评估这一点。