湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

目錄

1引言............................................................................................................................1

1.1項目背景......................................................................................................1

1.2Python簡介.....................................................................................................2

1.2.1AlexNet簡介.........................................................................................2

1.2.2PyCharm簡介........................................................................................3

1.2.3Python第三方庫簡介...........................................................................3

2需求分析....................................................................................................................5

2.1項目可行性..................................................................................................5

2.2關(guān)鍵技術(shù)分析..............................................................................................5

2.2.1數(shù)據(jù)采集技術(shù).......................................................................................5

2.2.2數(shù)據(jù)集可視化技術(shù)...............................................................................6

2.2.3AlexNet模型.........................................................................................6

3數(shù)據(jù)采集....................................................................................................................7

3.1運動鞋數(shù)據(jù)采集..........................................................................................7

3.2數(shù)據(jù)集獲取分析..........................................................................................7

3.3編程實現(xiàn)......................................................................................................8

4數(shù)據(jù)集預(yù)處理與數(shù)據(jù)可視化....................................................................................8

4.1數(shù)據(jù)集預(yù)處理..................................................................................................8

4.2數(shù)據(jù)可視化..................................................................................................9

4.3切分數(shù)據(jù)集................................................................................................10

5模型構(gòu)建及評估分析..............................................................................................10

5.1模型構(gòu)建....................................................................................................10

5.2模型編譯....................................................................................................12

5.3結(jié)果分析....................................................................................................13

6小結(jié)..........................................................................................................................13

參考資料.........................................................................................................................15

I

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

基于AlexNet模型的運動鞋品牌識別方法設(shè)計

1引言

近年來，深度學(xué)習(xí)技術(shù)在計算機視覺領(lǐng)域得到了廣泛應(yīng)用。其中，卷積神

經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）是一種常用的模型，具有良好

的特征提取能力和分類性能。AlexNet是第一個應(yīng)用于圖像分類比賽（ImageNet

LargeScaleVisualRecognitionChallenge,ILSVRC）的CNN模型，具有較高的

準確率和速度，成為了深度學(xué)習(xí)研究的一個里程碑。

運動鞋是現(xiàn)代時尚文化中不可或缺的元素之一，其品牌眾多、款式復(fù)雜，

因此如何對不同品牌的運動鞋進行自動化識別成為了一個具有挑戰(zhàn)性的問題。

傳統(tǒng)的基于圖像特征的分類方法需要人工定義特征并選擇合適的分類器，效果

受限。而基于深度學(xué)習(xí)的分類方法可以自動學(xué)習(xí)特征，并獲得更好的分類性能。

因此，本文提出了一種基于深度學(xué)習(xí)AlexNet模型的運動鞋品牌識別方法，

通過構(gòu)建AlexNet模型訓(xùn)練數(shù)據(jù)集，利用訓(xùn)練好的模型對測試數(shù)據(jù)進行預(yù)測，

并評估分類性能。實驗結(jié)果表明，該方法在運動鞋品牌識別方面具有很高的準

確率和魯棒性，能夠應(yīng)用于實際場景中的運動鞋分類問題。

1.1項目背景

隨著時尚文化的不斷發(fā)展和人們生活水平的提高，運動鞋成為了現(xiàn)代時尚

文化中的重要元素之一。市面上有大量的運動鞋品牌，每個品牌還有多個款式

和系列，這給消費者選購帶來了困難。同時，在電商、物流等領(lǐng)域，快速準確

地識別運動鞋品牌也是非常關(guān)鍵的問題。

傳統(tǒng)的基于圖像特征的分類方法需要人工定義特征并選擇合適的分類器，

效果受限。而深度學(xué)習(xí)技術(shù)具有自動學(xué)習(xí)特征的能力，可以更好地解決圖像分

類問題。AlexNet是第一個在ImageNet比賽中取得優(yōu)異成績的CNN模型，具有

較高的準確率和速度，因此被廣泛應(yīng)用于圖像分類和物體識別任務(wù)中。

本項目旨在設(shè)計一種基于深度學(xué)習(xí)AlexNet模型的運動鞋品牌識別方法，

通過構(gòu)建數(shù)據(jù)集、訓(xùn)練模型和評估性能，實現(xiàn)對不同品牌運動鞋的自動化識別。

該方法可以應(yīng)用于電商、物流等領(lǐng)域，提高工作效率和準確性，為用戶提供更

好的服務(wù)體驗。

1

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

1.2Python簡介

Python是由GuidoRossum于1989年誕生。2005-2012年，Google大量應(yīng)

用python，引起廣泛關(guān)注，促進了python的發(fā)展。2012年云計算興起，其中

最主要的OpenStack框架由python開發(fā)，使得python火了一把。2014年AI興

起，AI中大量關(guān)鍵算法都是由python開發(fā)，因為python中含有很好的第三方

庫特別適合做算法，加上入門低、開發(fā)效率高，這樣又進一步促使python的火

爆。2017年python走進大眾視野（指非IT人士），走進學(xué)科教育。

如今已經(jīng)發(fā)展成一門廣泛使用的高級編程語言。它可應(yīng)用于網(wǎng)絡(luò)爬蟲、機

器學(xué)習(xí)、數(shù)據(jù)分析和可視化等多種領(lǐng)域。它的特點是開源（免費）、豐富的庫、

簡單易學(xué)、支持跨平臺而且可移植性強。

1.2.1AlexNet簡介

AlexNet是Hinton和他的學(xué)生AlexKrizhevsky在2012年ImageNet挑戰(zhàn)

賽中使用的模型結(jié)構(gòu)，刷新ImageClassification的錯誤率，從此深度學(xué)習(xí)方

法在Image這塊開始一次次超過state-of-art，甚至于搭到打敗人類的地步，

看這邊文章的過程中，發(fā)現(xiàn)了很多以前零零散散看到的一些優(yōu)化技術(shù)，但是很

多沒有深入了解。

AlexNet中包含了幾個比較新的技術(shù)點，也首次在CNN中成功應(yīng)用了ReLU、

Dropout和LRN等Trick。同時AlexNet也使用了GPU進行運算加速。

AlexNet將LeNet的思想發(fā)揚光大，把CNN的基本原理應(yīng)用到了很深很寬的

網(wǎng)絡(luò)中。AlexNet主要使用到的新技術(shù)點如下。

（1）成功使用ReLU作為CNN的激活函數(shù)，并驗證其效果在較深的網(wǎng)絡(luò)超

過了Sigmoid，成功解決了Sigmoid在網(wǎng)絡(luò)較深時的梯度彌散問題。雖然ReLU

激活函數(shù)在很久之前就被提出了，但是直到AlexNet的出現(xiàn)才將其發(fā)揚光大。

（2）訓(xùn)練時使用Dropout隨機忽略一部分神經(jīng)元，以避免模型過擬合。

Dropout雖有單獨的論述，但是AlexNet將其實用化，通過實踐證實了它的效果。

在AlexNet中主要是最后幾個全連接層使用了Dropout。

（3）在CNN中使用重疊的最大池化。此前CNN中普遍使用平均池化，

AlexNet全部使用最大池化，避免平均池化的模糊化效果。并且AlexNet中提出

讓步長比池化核的尺寸小，這樣池化層的輸出之間會有重疊和覆蓋，提升了特

征的豐富性。

（4）提出了LRN層，對局部神經(jīng)元的活動創(chuàng)建競爭機制，使得其中響應(yīng)比

2

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

較大的值變得相對更大，并抑制其他反饋較小的神經(jīng)元，增強了模型的泛化能

力。

（5）使用CUDA加速深度卷積網(wǎng)絡(luò)的訓(xùn)練，利用GPU強大的并行計算能力，

處理神經(jīng)網(wǎng)絡(luò)訓(xùn)練時大量的矩陣運算。AlexNet使用了兩塊GTX580GPU進行訓(xùn)

練，單個GTX580只有3GB顯存，這限制了可訓(xùn)練的網(wǎng)絡(luò)的最大規(guī)模。因此作者

將AlexNet分布在兩個GPU上，在每個GPU的顯存中儲存一半的神經(jīng)元的參數(shù)。

因為GPU之間通信方便，可以互相訪問顯存，而不需要通過主機內(nèi)存，所以同

時使用多塊GPU也是非常高效的。同時，AlexNet的設(shè)計讓GPU之間的通信只在

網(wǎng)絡(luò)的某些層進行，控制了通信的性能損耗。

（6）數(shù)據(jù)增強，隨機地從256*256的原始圖像中截取224*224大小的區(qū)域

（以及水平翻轉(zhuǎn)的鏡像），相當于增加了2*(256-224)^2=2048倍的數(shù)據(jù)量。如

果沒有數(shù)據(jù)增強，僅靠原始的數(shù)據(jù)量，參數(shù)眾多的CNN會陷入過擬合中，使用

了數(shù)據(jù)增強后可以大大減輕過擬合，提升泛化能力。進行預(yù)測時，則是取圖片

的四個角加中間共5個位置，并進行左右翻轉(zhuǎn)，一共獲得10張圖片，對他們進

行預(yù)測并對10次結(jié)果求均值。同時，AlexNet中提到了會對圖像的RGB數(shù)據(jù)進

行PCA處理，并對主成分做一個標準差為0.1的高斯擾動，增加一些噪聲，這

個Trick可以讓錯誤率再下降1%。

1.2.2PyCharm簡介

PyCharm是一種PythonIDE（集成開發(fā)環(huán)境），帶有一整套可以幫助用戶

在使用Python語言開發(fā)時提高其效率的工具，比如調(diào)試、語法高亮、項目管理、

代碼跳轉(zhuǎn)、智能提示、自動完成、單元測試、版本控制。此外，該IDE提供了

一些高級功能，以用于支持Django框架下的專業(yè)Web開發(fā)。本設(shè)計的代碼統(tǒng)一

用PyCharm來運行和展示。

1.2.3Python第三方庫簡介

Keras：數(shù)式模型接口是用戶定義多輸出模型、非循環(huán)有向模型或具有共享

層的模型等復(fù)雜模型的途徑。一句話，只要你的模型不是類似VGG一樣一條路

走到黑的模型，或者你的模型需要多于一個的輸出，那么你總應(yīng)該選擇函數(shù)式

模型。

Matplotlib：一個用Python實現(xiàn)的繪圖庫?，F(xiàn)在很多機器學(xué)習(xí)，深度學(xué)習(xí)

教學(xué)資料中都用它來繪制函數(shù)圖形。在學(xué)習(xí)算法過程中，Matplotlib是一個非

常趁手的工具。

3

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

NumPy：常與SciPy（ScientificPython）和Matplotlib（繪圖庫）一起

使用。這種組合廣泛用于替代MatLab，是一個流行的技術(shù)計算平臺。但是，

Python作為MatLab的替代方案，現(xiàn)在被視為一種更加現(xiàn)代和完整的編程語言。

Pandas：一個免費、開源的第三方Python庫，是Python數(shù)據(jù)分析必不可

少的工具之一。其基于numPy庫開發(fā)而來，提供了兩種數(shù)據(jù)結(jié)構(gòu)，Series（一

維數(shù)組結(jié)構(gòu)）與DataFrame（二維數(shù)組結(jié)構(gòu)），這兩種數(shù)據(jù)結(jié)構(gòu)極大地增強的了

Pandas的數(shù)據(jù)分析能力。

Seaborn：基于matplotlib的圖形可視化python包。它提供了一種高度交

互式界面，便于用戶能夠做出各種有吸引力的統(tǒng)計圖表。

Sklearn：稱scikit-learn，是python中的機器學(xué)習(xí)庫，建立在numpy、

scipy、matplotlib等數(shù)據(jù)科學(xué)包的基礎(chǔ)之上，涵蓋了機器學(xué)習(xí)中的樣例數(shù)據(jù)、

數(shù)據(jù)預(yù)處理、模型驗證、特征選擇、分類、回歸、聚類、降維等幾乎所有環(huán)節(jié)，

功能十分強大，目前sklearn版本是0.23。與深度學(xué)習(xí)庫存在pytorch、

TensorFlow等多種框架可選不同，sklearn是python中傳統(tǒng)機器學(xué)習(xí)的首選庫，

不存在其他競爭者。

TensorFlow：采用數(shù)據(jù)流圖（dataflowgraphs）來計算,所以首先我們得

創(chuàng)建一個數(shù)據(jù)流流圖,然后再將我們的數(shù)據(jù)（數(shù)據(jù)以張量(tensor)的形式存在）

放在數(shù)據(jù)流圖中計算.節(jié)點（Nodes）在圖中表示數(shù)學(xué)操作,圖中的邊（edges）

則表示在節(jié)點間相互聯(lián)系的多維數(shù)據(jù)數(shù)組,即張量（tensor)。訓(xùn)練模型時

tensor會不斷的從數(shù)據(jù)流圖中的一個節(jié)點flow到另一節(jié)點,這就是

TensorFlow名字的由來。

Keras：數(shù)式模型接口是用戶定義多輸出模型、非循環(huán)有向模型或具有共享

層的模型等復(fù)雜模型的途徑。一句話，只要你的模型不是類似VGG一樣一條路

走到黑的模型，或者你的模型需要多于一個的輸出，那么你總應(yīng)該選擇函數(shù)式

模型。

函數(shù)式模型是最廣泛的一類模型，序貫?zāi)Ｐ停⊿equential）只是它的一種

特殊情況。使用通用模型，首先要使用Input函數(shù)將輸入轉(zhuǎn)化為一個tensor，

然后將每一層用變量存儲后，作為下一層的參數(shù)，最后使用Model類將輸入和

輸出作為參數(shù)即可搭建模型。

4

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

2需求分析

2.1項目可行性

基于深度學(xué)習(xí)AlexNet模型的運動鞋品牌識別方法在技術(shù)上是可行的。以

下是幾方面說明：

數(shù)據(jù)集構(gòu)建：數(shù)據(jù)集的數(shù)量和質(zhì)量對于深度學(xué)習(xí)模型的訓(xùn)練至關(guān)重要。在

運動鞋品牌識別任務(wù)中，可以通過網(wǎng)絡(luò)爬蟲、手工采集等方式獲取大量具有代

表性的圖像進行構(gòu)建。同時，采用數(shù)據(jù)增強技術(shù)可以增加數(shù)據(jù)集的多樣性和數(shù)

量，提高模型的泛化能力。

AlexNet模型應(yīng)用：AlexNet是第一個成功應(yīng)用于ImageNet比賽并取得優(yōu)

異成績的CNN模型，其具有較好的特征提取性能和分類性能。在本項目中，可

以利用預(yù)訓(xùn)練的AlexNet模型作為基礎(chǔ)模型，并使用遷移學(xué)習(xí)的方法對模型進

行微調(diào)，以適應(yīng)運動鞋品牌識別任務(wù)。

模型評估：模型的評估方法主要包括準確率、召回率、F1值等指標?？梢?/p>

將構(gòu)建好的數(shù)據(jù)集分為訓(xùn)練集和測試集，在訓(xùn)練集上訓(xùn)練模型，在測試集上進

行測試和評估，得到模型的性能指標。

實時性要求：模型的實時性要求取決于具體應(yīng)用場景。在一些應(yīng)用場景中，

如物流、電商等領(lǐng)域，需要對圖像進行快速準確的識別，因此需要對模型進行

優(yōu)化和加速?？梢圆捎蒙疃葘W(xué)習(xí)框架提供的GPU加速、模型壓縮等方法來滿足

實時性要求。

綜上所述，基于深度學(xué)習(xí)AlexNet模型的運動鞋品牌識別方法在技術(shù)上是

可行的，可以通過數(shù)據(jù)集構(gòu)建、AlexNet模型應(yīng)用、模型評估和實時性優(yōu)化等方

面來實現(xiàn)。

2.2關(guān)鍵技術(shù)分析

2.2.1數(shù)據(jù)采集技術(shù)

網(wǎng)絡(luò)爬蟲也叫網(wǎng)絡(luò)機器人，顧名思義就是代替人類手工，利用程序或腳本

來自動穿梭互聯(lián)網(wǎng)，并進行數(shù)據(jù)信息的采集。網(wǎng)絡(luò)爬蟲按照實現(xiàn)的技術(shù)和結(jié)構(gòu)

可以分為通用網(wǎng)絡(luò)爬蟲、聚焦網(wǎng)絡(luò)爬蟲、增量式網(wǎng)絡(luò)爬蟲、深層網(wǎng)絡(luò)爬蟲等類

型。

通用網(wǎng)絡(luò)爬蟲：主要由初始URL集合、URL隊列、頁面爬行模塊、頁面分析

5

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

模塊、頁面數(shù)據(jù)庫、鏈接過濾模塊等構(gòu)成。

聚焦網(wǎng)絡(luò)爬蟲：主要由初始URL集合、URL隊列、頁面爬行模塊、頁面分析

模塊、頁面數(shù)據(jù)庫、鏈接過濾模塊、內(nèi)容評價模塊、鏈接評價模塊等構(gòu)成。

增量式網(wǎng)絡(luò)爬蟲：用來爬取新產(chǎn)生的網(wǎng)頁或者內(nèi)容被更新的網(wǎng)頁數(shù)據(jù)，這

樣可以有效地減少網(wǎng)頁的下載量，減少訪問時間和存儲空間的耗費，但是增加

了網(wǎng)頁抓取算法的復(fù)雜度和實現(xiàn)難度，所以主要用在有更新需求的數(shù)據(jù)。

深層網(wǎng)絡(luò)爬蟲：主要由URL列表、LVS列表（LVS指的是標簽/數(shù)值集合，

即填充表單的數(shù)據(jù)源）、爬行控制器、解析器、LVS控制器、表單分析器、表單

處理器、響應(yīng)分析器等部分構(gòu)成。

本篇的需求來說，我們選取的是聚焦網(wǎng)絡(luò)爬蟲。聚焦網(wǎng)絡(luò)爬蟲的基本工作

流程：

先獲取初始的URL、根據(jù)初始的URL爬取頁面，并從中選取新的目標URL，

從新的URL中過濾掉與爬取目標無關(guān)的鏈接；再將過濾后的鏈接放到URL隊列

中，對新URL進行爬??；直至爬取到所需數(shù)據(jù)時停止爬行；最后對數(shù)據(jù)進行處

理后存儲。

2.2.2數(shù)據(jù)集可視化技術(shù)

數(shù)據(jù)可視化，是關(guān)于數(shù)據(jù)視覺表現(xiàn)形式的科學(xué)技術(shù)研究。其中，這種數(shù)據(jù)

的視覺表現(xiàn)形式被定義為，一種以某種概要形式抽提出來的信息，包括相應(yīng)信

息單位的各種屬性和變量。

數(shù)據(jù)可視化主要旨在借助于圖形化手段，清晰有效地傳達與溝通信息。而

本篇主要利用簡單的數(shù)據(jù)可視化技術(shù)，來展示獲取不同品牌鞋子的共性或差異

等信息，有助于指導(dǎo)后續(xù)的數(shù)據(jù)采集和模型優(yōu)化。

2.2.3AlexNet模型

AlexNet模型包含五個卷積層和三個全連接層，最后一層輸出每個類別的概

率分布。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同，AlexNet使用ReLU（rectifiedlinear

unit）作為激活函數(shù)，大大加速了訓(xùn)練速度。此外，AlexNet還使用了Dropout

技術(shù)來防止過擬合。

AlexNet模型結(jié)構(gòu)如下圖所示。

6

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖2-1模型結(jié)構(gòu)

lexNet的創(chuàng)新之處在于它將深度學(xué)習(xí)方法應(yīng)用于圖像分類任務(wù)，并且證明

了深度卷積神經(jīng)網(wǎng)絡(luò)可以取得非常好的性能。

3數(shù)據(jù)采集

3.1運動鞋數(shù)據(jù)采集

從網(wǎng)絡(luò)上收集運動鞋圖片，可以選取一些已知的網(wǎng)站，例如淘寶、京東、

天貓。如圖所示。

圖3-1數(shù)據(jù)集

3.2數(shù)據(jù)集獲取分析

1.數(shù)據(jù)收集：需要從不同的運動鞋品牌中收集圖像數(shù)據(jù)，以覆蓋多個品牌、

型號和顏色等不同特征?？梢栽诨ヂ?lián)網(wǎng)上搜索、采集或購買相關(guān)數(shù)據(jù)，也可以

通過自行拍攝等方式進行收集。

2.數(shù)據(jù)清洗：對于收集到的圖像數(shù)據(jù)，需要進行清洗，去除模糊、重疊、

異常、重復(fù)等無用數(shù)據(jù)，確保數(shù)據(jù)的準確性和可用性。同時需要對每個圖像進

行標注，即給每個圖像打上標簽、標注品牌、型號等信息。

3.數(shù)據(jù)劃分：將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。通?？梢詫?shù)據(jù)

集的80%用于訓(xùn)練集，10%用于驗證集和測試集。訓(xùn)練集用于模型訓(xùn)練，驗證集

用于模型選擇和調(diào)優(yōu)，測試集是最終評估模型性能的關(guān)鍵。

7

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

4.數(shù)據(jù)增強：通過數(shù)據(jù)增強技術(shù)，將已有的圖像數(shù)據(jù)進行多樣化處理，以

增加數(shù)據(jù)集的多樣性和復(fù)雜性?？梢允褂眯D(zhuǎn)、翻轉(zhuǎn)、剪裁、縮放、亮度、對

比度、顏色等方式進行數(shù)據(jù)增強。

5.數(shù)據(jù)預(yù)處理：在將數(shù)據(jù)輸入到AlexNet模型之前，需要進行一系列的預(yù)

處理操作，包括圖像歸一化（將圖像大小、像素值、顏色等進行統(tǒng)一化）、縮

放、裁剪、標準化等操作。

基于以上數(shù)據(jù)集分析，可以構(gòu)建適合于AlexNet模型運動鞋品牌識別的數(shù)

據(jù)集，并進行深度學(xué)習(xí)模型的訓(xùn)練和評估。

3.3編程實現(xiàn)

創(chuàng)建train.py進行解析，代碼如下圖所示。

圖3-2數(shù)據(jù)集解析代碼

4數(shù)據(jù)集預(yù)處理與數(shù)據(jù)可視化

4.1數(shù)據(jù)集預(yù)處理

數(shù)據(jù)可視化技術(shù)的基本思想是將數(shù)據(jù)庫中每一個數(shù)據(jù)項作為單個圖元元素

8

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

表示，大量的數(shù)據(jù)集構(gòu)成數(shù)據(jù)圖像，同時將數(shù)據(jù)的各個屬性值以多維數(shù)據(jù)的形

式表示，可以從不同的維度觀察數(shù)據(jù)，從而對數(shù)據(jù)進行更深入的觀察和分析。

為了更直觀的展示數(shù)據(jù)集，以便于后續(xù)對模型的改進與評估，本篇用餅圖和詞

云圖來進行數(shù)據(jù)可視化。

數(shù)據(jù)預(yù)處理（datapreprocessing）是指在主要的處理以前對數(shù)據(jù)進行的一

些處理。為了更好的訓(xùn)練效果要將數(shù)據(jù)集切分成訓(xùn)練集、測試集和驗證集。

4.2數(shù)據(jù)可視化

為了直觀的看見我們可以將訓(xùn)練好的模型中的參數(shù)可視化出來，以了解每

個權(quán)重和偏置的取值范圍、分布情況等信息。具體代碼如下所示。

圖4-1數(shù)據(jù)集可視化代碼

運行代碼main.py后查看，得到如下效果。

9

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖4-2數(shù)據(jù)集可視化效果

4.3切分數(shù)據(jù)集

為了更好的訓(xùn)練、測試、優(yōu)化、評估模型，需要對準備的數(shù)據(jù)集進行切分。

數(shù)據(jù)集一般會被切分為三種：訓(xùn)練集、測試集和驗證集。

1、訓(xùn)練集（trainset）：用于訓(xùn)練模型以及確定參數(shù)。

2、驗證集（validationset）：用于確定網(wǎng)絡(luò)結(jié)構(gòu)以及調(diào)整模型的超參數(shù)。

3、測試集（testset）：用于檢驗?zāi)Ｐ偷姆夯芰Α?/p>

本次數(shù)據(jù)切分采用分層切分數(shù)據(jù)集的方法。下面是具體的代碼。

圖4-3數(shù)據(jù)集切分

5模型構(gòu)建及評估分析

5.1模型構(gòu)建

數(shù)據(jù)集準備，收集足夠數(shù)量的各品牌的運動鞋圖片，并進行數(shù)據(jù)預(yù)處理，

如圖像大小調(diào)整、色彩空間轉(zhuǎn)換等。

10

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖5-1數(shù)據(jù)集準備代碼

模型構(gòu)建，使用AlexNet作為基礎(chǔ)模型，一般包括五個卷積層和三個全連

接層，通過修改AlexNet最后的輸出層，訓(xùn)練出適用于運動鞋品牌識別的模型。

其中ConvolutionalNeuralNetworks(CNNs)通常表現(xiàn)優(yōu)異，最后一層可根據(jù)具

體問題設(shè)定，可以是softmax函數(shù)或者sigmoid函數(shù)。

圖5-2模型構(gòu)建代碼

訓(xùn)練模型：使用已經(jīng)準備好的數(shù)據(jù)集對模型進行訓(xùn)練，通常采用隨機梯度

下降（StochasticGradientDescent）和反向傳播算法（BackPropagation

Algorithm）進行優(yōu)化，使得模型能夠較好地識別不同品牌的運動鞋。

11

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

圖5-3模型訓(xùn)練代碼

模型測試：將預(yù)先保留的測試集數(shù)據(jù)輸入到訓(xùn)練好的模型中，以評估模型

的性能表現(xiàn)。

模型優(yōu)化：根據(jù)實驗結(jié)果調(diào)整模型參數(shù)，重新訓(xùn)練模型，提高模型性能。

5.2模型編譯

為了能夠使用基于深度學(xué)習(xí)AlexNet模型的運動鞋品牌識別方法，需要先

定義輸入數(shù)據(jù)的形狀和類別數(shù)，然后搭建AlexNet模型結(jié)構(gòu)，并對其進行編譯。

圖5-4模型編譯代碼

在編譯時，通常需要指定損失函數(shù)、優(yōu)化器和評估指標等參數(shù)，以便在訓(xùn)

練過程中可以得到合適的反饋信息。本次采用交叉熵損失函數(shù)

categorical_crossentropy、隨機梯度下降優(yōu)化器（SGD）和準確率評估指標等

參數(shù)，同時還需要注意設(shè)置學(xué)習(xí)率、動量等超參數(shù)，以保證模型能夠快速收斂

到較好的精度。

最后，還需要使用model.summary()輸出模型的結(jié)構(gòu)和參數(shù)信息，以便更好

地觀察模型的特點和性能表現(xiàn)。整個模型編譯的流程包括模型構(gòu)建、模型編譯

12

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計

和模型結(jié)構(gòu)輸出三個步驟，這些步驟都需要仔細調(diào)試和優(yōu)化，以獲得最佳的模

型性能。

5.3結(jié)果分析

為了評估模型的性能表現(xiàn)，我們使用測試集數(shù)據(jù)進行驗證，并計算出分類

精度等相關(guān)指標。在本次實驗中，我們將準確率作為主要評估指標，計算出正

確分類的樣本數(shù)占總樣本數(shù)的比例，以此來評估模型的性能表現(xiàn)。具體地，我

們使用測試集數(shù)據(jù)輸入到訓(xùn)練好的模型中，獲取測試損失值和測試精度。測試

精度即為分類精度，表示模型對測試集數(shù)據(jù)進行分類時，正確分類的數(shù)