Ta的回复 ：01班+叶思风吟 猫狗分类实验初始的网络结构为: 卷积池化层1：卷积核大小为5，通道数为20，池化层大小为2，步幅为2，激活函数为Relu  (图像原先大小为3*32*32，输出图像大小变为：20*14*14) BN层 卷积池化层2：卷积核大小为5，通道数为50，池化层大小为2，步幅为2，激活函数为Relu（输入图像大小为20*14*14，输出图像大小变为：50*5*5） BN层 卷积池化层3：卷积核大小为5，通道数为50，池化层大小为2，步幅为2，激活函数为Relu（输入图像大小为50*5*5，输出图像大小变为：50*1*1） 全连接层：包含10个神经元，激活函数为Softmax 其它参数为： 学习率:0.001  损失函数：交叉熵 优化算法：Adam 训练轮数：20 训练集批量：128 最终在最后一轮测试集上得到的结果为：Cost:1.62261, ACC:0.65744 调整网络结构，对原先网络结构进行加深： 卷积池化层1：卷积核大小为2，通道数为20，池化层大小为2，步幅为2，激活函数为Relu BN层 卷积池化层2：卷积核大小为2，通道数为50，池化层大小为2，步幅为2，激活函数为Relu BN层 卷积池化层3：卷积核大小为2，通道数为50，池化层大小为2，步幅为2，激活函数为Relu BN层 卷积池化层4：卷积核大小为2，通道数为50，池化层大小为2，步幅为2，激活函数为Relu 全连接层：包含10个神经元，激活函数为Softmax 并对原先的参数不予修改，最终在最后一轮测试集上得到的结果为：Cost:1.00559, ACC:0.67791 可以发现加深网络后，准确率略有提升。 去掉上面网络中的三个BN层后得到的结果为：Cost:0.95633, ACC:0.67326，似乎去掉BN层并没有产生太大影响？ 若将优化算法由Adam调整为SGD而其他参数不变，得到的结果为：Cost:1.55199, ACC:0.42959，可以发现此数据集下训练相同的轮数，Adam算法得到的模型性能要好于SGD 若将训练轮数从原本的20调高到30，发现模型在第30轮时的预测表现反而不佳，似乎已经出现了过拟合现象。 最后随手找了几张图测了下模型，感觉准确率还可以接受的样子(测了三张图，对了两张） 预测错的这张图长这样： [图片] 还有两张没通过百度的图像审核。以上还请各位大佬指正。