CIFAR-10有5万个训练数据，1万多个测试数据 ；可直接下载使用
重要代码：载入数据，如果没有会自动在网上下载：
X_train, Y_train), (X_test, Y_test) = cifar10.load_data()#对输入进行归一化处理X_train=X_train /255X_test =X_test /255#对于输出进行one-hot-codingY_train = keras.utils.to_categorical(Y_train, 10)Y_test = keras.utils.to_categorical(Y_test, 10)
# 进行数据增强datagen = ImageDataGenerator(rotation_range=10, # randomly rotate images in the range (degrees, 0 to 180)width_shift_range=0.2, # randomly shift images horizontally (fraction of total width)height_shift_range=0.2, # randomly shift images vertically (fraction of total height)horizontal_flip=True, # randomly flip imagesvertical_flip=True?# randomly flip images)?datagen.fit(X_train)
#导入预训练好权重的残差神经网络RESNET50
res_model = keras.applications.resnet50.ResNet50(weights='imagenet', include_top=False,input_shape=(200, 200, 3))res_model.summary()
#定义优化器和编译模型
?
adam=keras.optimizers.Adam(lr=0.0001,beta_1=0.9,beta_2=0.999,epsilon=1e-08)model.compile(optimizer=adam, loss='binary_crossentropy', metrics=['acc'])#训练模型，用测试集做VALIDATION数据直接查看测试结果batch_size=20model.fit_generator(datagen.flow(X_train, Y_train,batch_size=batch_size),steps_per_epoch=X_train.shape[0]? ?// batch_size,epochs=1,validation_data=(X_test, Y_test))
主要流程介绍：
1.任务和模型定义：在CIFAR-10数据集上常见目标的分类；
2.数据处理与特征工程：对数据进行了归一化和one-hot-coding等处理，做
了数据增强；
3.模型搭建与训练：下载了预训练好的RESNET50，加入了UPSAMPLING
层，用了ADAM优化器，同时采用了mini-Batch的方式进行训练，只训练了1
个EPOCH；
4.模型测试及优化：通过数据增强和迁移学习，仅用了5万个训练数据中的
200个数据，1个Epoch的训练就让模型在测试集上面准确度就接近了90%。