深度学习实践：Alexnet与VGG16猫狗图像识别对比

本项目名为"5组_CNN猫狗图像识别1"，由一组学生团队完成，旨在通过实践深度学习网络模型Alexnet和VGG16在经典猫狗图像分类任务中的应用。项目背景主要集中在提升对深度学习的理解，特别是计算机视觉中的图像分类，并通过比较两个模型（Alexnet和VGG16）在训练过程中的性能差异来深化认识。 设计目标明确，包括构建并训练这两种模型以解决Kaggle上猫狗分类问题。团队利用了TensorFlow 1.14和Python 3.6环境，以及预训练的AlexNet和VGG16模型，通过数据集处理、训练验证和迁移学习（fine-tuning）方法，来优化模型性能。数据集包括25000张训练图片和12500张测试图片，这些图片按照特定命名规则存储。 技术路线包括以下步骤： 1. 环境配置：确保使用的是TensorFlow 1.14版本和Python 3.6，为后续代码开发和模型训练奠定基础。 2. 原码参考：团队参考了CSDN文章和GitHub上的项目，以便理解和复现他人的工作，这有助于快速上手并避免重复发明轮子。 3. 数据准备：获取Kaggle提供的猫狗图像数据集，分为训练集和测试集，每部分都有特定数量的图片，团队需要根据数据格式进行预处理和划分。 4. 模型构建：使用Alexnet和VGG16作为基础模型，这两个模型都是经典的卷积神经网络架构，具有多层卷积层和全连接层。 5. Dropout应用：为防止过拟合，团队引入了Dropout技术，这是一种在训练过程中随机关闭一部分神经元的方法，以增强模型泛化能力。 6. 训练与评估：通过运行Generate_txt.py、util_data.py和DataGenerator.py脚本来生成数据集所需的文件列表，然后利用run.py进行模型训练、验证和测试，记录和分析每个模型的性能指标。 7. 结果分析：通过比较Alexnet和VGG16在训练时间、精度等方面的差异，了解网络深度、卷积核数量等因素如何影响模型性能，以及迁移学习技术的实际效果。 通过这个项目，团队不仅提升了编程和深度学习模型的实践能力，也深入了解了不同模型在实际任务中的表现，以及如何调整网络结构以优化模型性能。