Food-Classification---CNN

基础CNN模型 见文件CNN_food_classification.ipynb
基于基础模型改进的 最优版CNN模型 见文件more_conv_CNN_food_classification2.ipynb
其他.ipynb文件为基于基础模型改进的其他模型
.csv文件为与其同名的.ipynb模型的test set预测结果

1.实验数据集

数据集为食物照片，共有11类 Bread, Dairy product, Dessert, Egg, Fried food, Meat, Noodles/Pasta, Rice, Seafood, Soup, and Vegetable/Fruit，其中Training set有9866张照片，Validation set有3430张照片，Testing set有3347张照片。

2.作业概述

输入一张食物的图片，然后输出图片中食物所属的类别（0、1、2、……、10），选用的模型是卷积神经网络CNN。

3.运行环境

Google Colaboratory
GPU：Colab随机分配
Python=3.6 and Pytorch=1.5.1

4.模型结构

首先将图片导入，用opencv（cv2）读取图片并存放在numpy.ndarray中，每张图片都是128*128*3，然后通过随机旋转、水平翻转图片等方法对图片进行数据增强，最后建立模型。我们首先建立了一个原始模型，利用nn.Conv2d，nn.BatchNorm2d，nn.ReLU，nn.MaxPool2d这4个函数来构建一个5层的CNN，然后进入到一个3层全连接层 然后我们对模型进行了几次变形，包括增加卷积层（每层均有卷积和池化）、增加卷积层（中间有只有卷积无池化的层）、减少卷积层。接下来是训练参数，使用训练集training set进行训练，并使用验证集validation set来选择最好的参数，具体参数见代码文件，同时我们也将training set和validation set合并到一起共同训练，最后各模型结果如表1所示。

表1 各模型结果

模型	训练集训练模型+验证集验证				训练集+验证集训练模型
	训练集Accuracy	训练集Loss	验证集Accuracy	验证集Loss	Accuracy	Loss
原始模型	0.863572	0.00309	0.601458	0.01255	0.927798	0.001628
【最优CNN模型】增加卷积层（每层均有卷积和池化，共6层）	0.886783	0.002609	0.677843	0.010301	0.934943	0.00145
增加卷积层（中间有只有卷积无池化的层）	0.755321	0.005596	0.641983	0.00868	0.837696	0.003616
减少卷积层	0.797993	0.004717	0.574636	0.013245	0.879738	0.002646

5.模型改进思路

根据第四部分和第五部分的模型结果，可以发现验证集的准确率较低，同时还存在一定程度上的过拟合问题，因此我们有了如下的改进思路：（1）引入残差神经网络，即ResNet，它允许网络尽可能的加深，可以避免随着网络的加深，出现了训练集准确率下降的现象。（2）引入dropout，能够在CNN中防止过拟合。

表3 改进模型结果