Ta的回复 ：01班-wuweisn 1 网络结构 第一卷积池化层：输入 [3,32,32],  卷积输出[20, 28, 28], 池化层输出[20, 14, 14] 第二卷积池化层：输入 [20, 14, 14],  卷积输出[50, 10, 10], 池化层输出[50, 5, 5] 第三卷积池化层：输入 [50, 5, 5],  卷积输出[50, 1, 1], 池化层输出[50, 1, 1] 全连接输出层：输入[]50, 1, 1], 输出[10] BN:加快收敛，避免过拟合 复杂合理的结构可以提高准确率，但是不要太复杂，以免过拟合 2 分类采用交叉熵（cross entropy，回归采用平方误差损失（squared error loss） 李老师推荐的模型 SGD                    cost:0.88786                          acc:0.69473               learning rate: 0.001 Momentum         cost:1.41415                         acc:0.72275               learning rate: 0.001 Adagrad               cost:0.85922                         acc:0.72979               learning rate: 0.001 Adam                   cost:1.47042                          acc:0.78799               learning rate: 0.001                             cost:1.43113                          acc:0.73320               learning rate: 0.0001 原来的模型 Adam                   cost:1.02159                         acc:0.67334               learning rate: 0.001                             cost:1.02350                          acc:0.65439               learning rate: 0.0001   模型对准确率的影响是最主要的，学习率，优化算法对模型都有影响。该例子中，最好的选择是Adam 3 随着样本的增加，模型准确率随之提高。每个分类至少有500+样本，可以获取不错的准确值。 4 测试的结果不满意，原因可能是测试图片样本尺寸太小，图片中特征量缺失。而拍摄的图片或下载的图片缩小后失真，造成预测失败。