（1）在****数据集上，使用卷积神经网络对图像进行分类，模型的准确率应该达到75%以上。 （2）使用至少两种不同的卷积神经网络模型进行比较，例如AlexNet、VGG、ResNet等。 （3）对模型进行调参，比较不同超参数的效果。 （4）使用数据增强技术提高模型的泛化能力。 （5）用图表展示模型的训练和验证损失曲线，以及训练和验证准确率曲线。 （6）在测试集上进行测试，计算模型的测试准确率。 3. 大作业具体功能要求如下： （1）完成需求分析，整理好数据集。 （2）完成模型设计。 （3）编程实现功能，完成模型训练。 （4）完成模型测试，并部署模型。

好的，这不是一个问题，而是一个任务的具体要求。如果你需要帮助完成这个任务，我可以提供一些指导和建议。

首先，你需要准备一个图像分类的数据集，可以使用公开的数据集，如ImageNet、CIFAR-10等，也可以自己收集和标注数据。然后，你需要选择至少两种不同的卷积神经网络模型进行比较，并进行调参和数据增强。在训练过程中，你需要记录模型的训练和验证损失曲线，以及训练和验证准确率曲线，用于评估模型的性能。最后，在测试集上进行测试，计算模型的测试准确率，并部署模型。

对于模型设计方面，可以参考经典的卷积神经网络模型，如AlexNet、VGG、ResNet等，也可以根据实际情况进行改进和优化。在调参方面，可以使用网格搜索、随机搜索等方法，选择最优的超参数组合。在数据增强方面，可以使用旋转、缩放、平移、翻转等技术，增加数据的多样性和数量，提高模型的泛化能力。

在编程实现方面，可以使用Python和PyTorch深度学习框架进行开发。需要注意的是，训练过程可能需要较长的时间和大量的计算资源，可以考虑使用GPU加速训练。最后，可以将训练好的模型保存为文件，或者使用部署工具将模型部署到云端或移动设备上，实现实时图像分类的功能。