CIFAR-10图像识别：对比Baseline与LeNet5模型

本次实验主要围绕CIFAR-10数据集展开，这是一个常用的小型图像识别数据集，包含10个类别（如飞机、汽车等）的彩色图像，每类有5000张32x32像素的训练图像和1000张测试图像。实验的核心任务是通过深度学习模型对这些图像进行分类。 首先，实验导入了TensorFlow和相关库，如NumPy和Matplotlib，用于数据处理和可视化。实验流程包括数据预处理，如加载CIFAR-10数据集，查看训练集和测试集的维度，将多维标签转换为一维，并对图像数据进行归一化，确保所有像素值在0到1范围内。 实验选择了两种模型进行对比：Baseline和LeNet5。Baseline通常指的是一个简单的、未经过特殊设计的模型，它可能不具备高级的卷积神经网络架构，但作为基础模型，它可以提供一个比较基准。LeNet5则是由Yann LeCun提出的经典卷积神经网络，适用于手写数字识别，这里用来展示更复杂网络的性能。 在训练过程中，LeNet5模型由于其较复杂的网络结构，需要更多的参数调整以避免过拟合，但由于作者尝试多次调整仍未能有效解决过拟合问题，这表明在处理CIFAR-10数据时，过于复杂的模型可能会带来额外的挑战。相比之下，Baseline模型由于结构相对简单，参数调整更容易，且训练时间更短，因此最终被选作图像识别的首选模型。 通过这个实验，参与者不仅锻炼了模型的训练和调整能力，还学习了如何平衡模型复杂度与性能之间的关系，以及理解过拟合问题的处理。同时，实验过程也是一个对整个学期学习内容的实践和总结，强调了实际操作和理论知识相结合的重要性。 最后，实验展示了如何通过可视化手段，例如前25张图像的显示，直观地评估模型的表现和数据的特性。这种可视化有助于理解和评估模型在不同类别上的识别能力。 这个实验涵盖了数据加载、预处理、模型选择（包括模型结构和调参）、过拟合问题处理、以及结果评估等多个环节，是一次全面的深度学习实践体验。