圖像分類的案例
用于圖像分類的頂級預訓練模型
應用：移動圖像分類和嵌入式視覺應用。
7. NASNet（神經架構搜索網絡）
概述：由 Google 開發，使用神經架構搜索技術來優化網絡結構。
變體：NASNet-A、NASNet-B、NASNet-C。
主要特點：
使用強化學習自動設計架構。
高精度和高效的性能。
應用：通用圖像分類和遷移學習。
8. Xception （極限盜夢空間）
概述：Xception 由 Google 開發，是 Inception 架構的擴展，具有深度可分離卷積。
主要特點：
完全卷積架構。
用于提高性能的深度可分離卷積。
應用：通用圖像分類和遷移學習。
9. 亞歷克斯網
概述：AlexNet 由 Alex Krizhevsky 開發，是最早普及 CNN 在圖像分類中的使用的深度學習模型之一。
主要特點：
具有 8 層的簡單架構。
ReLU 激活函數和 dropout 正則化。
應用：通用圖像分類和歷史基準。
10. 視覺變形金剛 （ViT）
概述：Vision Transformers 由 Google 開發，將最初為 NLP 設計的 Transformer 架構應用于圖像分類。
主要特點：
Transformer 編碼器架構。
使用大型數據集和計算資源進行良好擴展。
應用：一般圖像分類和大規模視覺任務。
用于圖像分類的預訓練模型的優勢
減少訓練時間：預訓練模型顯著縮短了訓練時間。
展開 TensorFlow 中的 CIFAR-10 圖像分類
?
?
先決條件：
圖像分類
卷積神經網絡，包括基本池化、神經網絡中具有歸一化的卷積層和 dropout。
數據增強。
神經網絡。
Numpy 數組。
?
?
在本文中，我們將討論如何使用 TensorFlow 對圖像進行分類。 圖像分類是一種將圖像分類為其各自類別類的方法。CIFAR-10 數據集，正如它所暗示的那樣，其中包含 10 種不同類別的圖像。共有 60000 張圖像，分為 10 個不同的類別，分別命名為飛機、汽車、鳥、貓、鹿、狗、青蛙、馬、船、卡車。所有圖像的大小均為 32×32。總共有 50000 張 train 圖像和 10000 張測試圖像。
為了構建圖像分類器，我們使用 tensorflow 的 keras API 來構建我們的模型。為了構建模型，建議支持 GPU，或者您也可以使用 Google colab 筆記本。
?
逐步實施：
編寫任何代碼的第一步是導入所有需要的庫和模塊。這包括導入 tensorflow 和其他模塊，如 numpy。如果該模塊不存在，那么您可以在 命令提示符（適用于 Windows）上使用 pip install tensorflow 下載它，或者如果您使用的是 jupyter 筆記本，則只需在單元格中鍵入 ！
展開 基于Matlab的纖維圖像特征提取與自動分類程序實現
關鍵詞：Matlab；GUI界面；App Designer；圖像分類；特征提取；
背景
纖維圖像特征提取與分類是一個涉及圖像處理和模式識別的領域，它在材料科學、紡織工程、生物醫學成像以及任何需要對纖維結構進行分析的領域都有廣泛的應用。纖維可能重疊、交叉或糾纏在一起，使得分割和特征提取變得復雜。不同類型的纖維具有不同的特性，需要開發能夠適應這種多樣性的算法。自動化纖維圖像的分析過程，減少人工干預，提高效率和準確性。
圖像獲取：纖維圖像通常通過顯微鏡（如光學顯微鏡、電子顯微鏡或共聚焦顯微鏡）獲取。圖像可以是二維的，也可以是三維的，取決于顯微鏡的類型和成像技術。圖像預處理：由于實際獲取的圖像可能包含噪聲、模糊、對比度不足等問題，因此需要進行預處理以提高圖像質量。預處理步驟可能包括去噪、對比度增強、二值化、濾波等。圖像分割：圖像分割是將圖像中的纖維與背景分離的過程。可以使用閾值分割、邊緣檢測、區域生長或更高級的機器學習方法來實現。特征提取：特征提取是從分割后的纖維圖像中提取有助于分類的定量屬性。常見的特征包括纖維的長度、寬度、彎曲度、紋理、方向等。圖像分類：分類是根據提取的特征將纖維圖像分配到不同的類別中。可以使用傳統的機器學習算法（如支持向量機、決策樹、隨機森林）或深度學習方法（如卷積神經網絡）進行分類。應用領域：紡織工業，用于評估纖維的質量，如強度、柔軟度和耐久性。生物醫學，在組織工程中分析細胞外基質的纖維結構。材料科學，研究復合材料中的纖維排列和取向。法醫學，通過分析纖維來輔助犯罪現場調查。
圖1 天然纖維分類
Harris特征點檢測
Harris角點檢測算法是一種在計算機視覺中用于識別圖像角點的流行技術。角點是圖像中兩條邊緣或邊界的交點，它們在圖像分析中扮演著關鍵角色，因為它們通常標志著物體的角落或邊界的轉折點。
展開 計算機視覺必讀：目標跟蹤、網絡壓縮、圖像分類、人臉識別等
細粒度圖像分類(fine-grained image classification)
相比(通用)圖像分類，細粒度圖像分類需要判斷的圖像類別更加精細。比如，我們需要判斷該目標具體是哪一種鳥、哪一款的車、或哪一個型號的飛機。通常，這些子類之間的差異十分微小。比如，波音737-300和波音737-400的外觀可見的區別只是窗戶的個數不同。因此，細粒度圖像分類是比(通用)圖像分類更具有挑戰性的任務。
細粒度圖像分類的經典做法是先定位出目標的不同部位，例如鳥的頭、腳、翅膀等，之后分別對這些部位提取特征，最后融合這些特征進行分類。這類方法的準確率較高，但這需要對數據集人工標注部位信息。目前細粒度分類的一大研究趨勢是不借助額外監督信息，只利用圖像標記進行學習，其以基于雙線性CNN的方法為代表。
雙線性CNN (bilinear CNN) 其通過計算卷積描述向量(descriptor)的外積來考察不同維度之間的交互關系。由于描述向量的不同維度對應卷積特征的不同通道，而不同通道提取了不同的語義特征，因此，通過雙線性操作，可以同時捕獲輸入圖像的不同語義特征之間的關系。
精簡雙線性匯合 雙線性匯合的結果十分高維，這會占用大量的計算和存儲資源，同時使后續的全連接層的參數量大大增加。許多后續研究工作旨在設計更精簡的雙線性匯合策略，大致包括以下三大類：(1). PCA降維。在雙線性匯合前，對深度描述向量進行PCA投影降維，但這會使各維不再相關，進而影響性能。
展開 
一文讀懂深度學習在計算機視覺領域中的應用
比如圖像分類、定位和檢測等。那么，對于計算機視覺而言，有哪些任務是占據主要地位并對世界有所影響的呢？本篇文章將分享給讀者5種重要的計算機視覺技術，以及其相關的深度學習模型和應用程序。相信這5種技術能夠改變你對世界的看法。
1.圖像分類
圖像分類這一任務在我們的日常生活中經常發生，我們習慣了于此便不以為然。每天早上洗漱刷牙需要拿牙刷、毛巾等生活用品，如何準確的拿到這些用品便是一個圖像分類任務。官方定義為：給定一組圖像集，其中每張圖像都被標記了對應的類別。之后為一組新的測試圖像集預測其標簽類別，并測量預測準確性。
如何編寫一個可以將圖像分類的算法呢？計算機視覺研究人員已經提出了一種數據驅動的方法來解決這個問題。研究人員在代碼中不再關心圖像如何表達，而是為計算機提供許多很多圖像（包含每個類別），之后開發學習算法，讓計算機自己學習這些圖像的特征，之后根據學到的特征對圖像進行分類。
鑒于此，完整的圖像分類步驟一般形式如下：
1).首先，輸入一組訓練圖像數據集；
2).然后，使用該訓練集訓練一個分類器，該分類器能夠學習每個類別的特征；
3).最后，使用測試集來評估分類器的性能，即將預測出的結果與真實類別標記進行比較；
對于圖像分類而言，最受歡迎的方法是卷積神經網絡（CNN）。CNN是深度學習中的一種常用方法，其性能遠超一般的機器學習算法。CNN網絡結構基本是由卷積層、池化層以及全連接層組成，其中，卷積層被認為是提取圖像特征的主要部件，它類似于一個“掃描儀”，通過卷積核與圖像像素矩陣進行卷積運算，每次只“掃描”卷積核大小的尺寸，之后滑動到下一個區域進行相關的運算，這種計算叫作滑動窗口。
展開 【建議收藏】CV學習路徑推薦
04 計算機視覺基礎
以OpenCV為基礎，掌握圖像基礎知識、基本處理等CV方向的基礎理論。
02
算法模型——讀這些論文
01 圖像分類
vgg、inception、resnet、mobilenet、SENet。
02 圖像分割
unet、deeplab系列、FCN、SegNet、BiSeNet。
03 目標檢測
SSD、FPN、RetinaNet、Faster rcnn、AnchorFree、基于Transformer和CNN的端到端檢測。
04 GAN
GAN、DCGAN、Pix2Pix。
03
項目學習——理論結合實戰
01 圖像分類
圖像分類是計算機視覺領域最基礎也是最核心的任務，雖然最近涌現出大量優秀的CNN模型可直接用于圖像分類，簡化了傳統圖像分類人工設計特征的流程，但是真正的企業級應用中遠不止使用CNN網絡模型那么簡單。實際項目算法開發過程中，除了模型使用還需要考慮數據分布、類別均衡、數據增強、損失函數等trick的應用。
推薦項目：花朵分類&不均衡Cifar分類
熟悉訓練技巧，掌握獨立完成項目級圖像分類模型訓練的能力。
02 圖像分割
圖像分割是CV主要方向之一，在自動駕駛、人像摳圖、醫學圖像分析和工業質檢均有廣泛應用。能掌握經典圖像分割算法，熟悉代碼開發流程，獨立完成圖像分割項目是算法工程師必備的能力。
推薦項目：自動駕駛語義分割&人像分割及照片制作
用代碼實現數據集讀取、圖像分割模型訓練、訓練分析、模型推理、線上部署。完整地做一次圖像分割項目實戰。
展開 對象檢測 vs 對象識別 vs 圖像分割
因此，如果圖像中存在多個類標簽，則簡單的 CNN 方法將不起作用。
如果我們想定位邊界框中對象的存在，我們需要嘗試一種不同的方法，該方法不僅輸出類標簽，還輸出邊界框位置。
?
編輯
與對象識別相關的任務概述
圖像分類 ：
在圖像分類中，它以圖像作為輸入，并輸出該圖像的分類標簽以及一些指標（概率、損失、準確性等）。例如：貓的圖像可以歸類為類標簽 “cat”，或者 Dog 的圖像可以被歸類為類標簽 “dog” ，但有一定的概率。
?
編輯
圖像分類
對象定位： 此算法定位圖像中是否存在對象，并用邊界框表示該對象。它以圖像作為輸入，并以 （position， height， and width） 的形式輸出邊界框的位置。
對象檢測：
對象檢測算法充當圖像分類和對象定位的組合。它采用圖像作為輸入，并生成一個或多個邊界框，每個邊界框都附加了類標簽。這些算法能夠處理多類分類和本地化，以及處理多次出現的對象。
對象檢測的挑戰：
在對象檢測中，邊界框始終為矩形。因此，如果對象包含曲率部分，則無助于確定對象的形狀。
對象檢測無法根據圖像準確估計某些測量值，例如對象的面積、對象的周長。
分類之間的差異。定位和檢測（來源： 鏈接)
圖像分割：
圖像分割是對象檢測的進一步擴展，我們通過為圖像中的每個對象生成的像素級掩碼來標記對象的存在。這種技術比邊界框生成更精細，因為它可以幫助我們確定圖像中存在的每個對象的形狀，因為 分割不是繪制邊界框 ，而是有助于找出構成該對象的像素。
展開 深入了解目標檢測深度學習算法的技術細節
—— 圖像分類
目標檢測(或識別)基于圖像分類。圖像分類是通過上圖所示的像素網格，將圖像分類為一個類類別。目標識別是對圖像中的對象進行識別和分類的過程，如下圖所示：
為了使模型能夠學習圖像中對象的類別和位置，目標必須是一個五維標簽(類別，x, y，寬度，長度)。
對象檢測方法的內部工作
一種費機器（奢侈計算）的方法：窮舉搜索
最簡單的目標檢測方法是對圖像的各個子部分使用圖像分類器，讓我們來逐個考慮：
首先，選擇想要執行目標檢測的圖像。
然后將該圖像分割成不同的部分，或者說“區域”，如下圖所示：
把每個區域看作一個單獨的圖像。
使用經典的圖像分類器對每幅圖像進行分類。
最后，將檢測到目標的區域的所有圖像與預測標簽結合。
這種方法存在一個問題，對象可能具有的不同縱橫比和空間位置，這可能導致對大量區域進行不必要的昂貴計算。它在計算時間方面存在太大的瓶頸，從而無法用于解決實際問題。
展開 基于Python深度學習的鯊魚識別分類系統
Shark Detector開發：開發了一個名為“Shark Detector”的軟件包，它集成了對象檢測和圖像分類模型。該軟件包使用遷移學習和卷積神經網絡（CNN）技術來自動識別和分類視頻中和圖像中的鯊魚。
模型組成：
Shark Locator (SL)：對象檢測模型，用于在圖像和視頻中定位鯊魚并繪制邊界框。
Shark Identifier (SI)：二元排序模型，用于從混合圖像集中篩選出鯊魚圖像。
Shark Classifiers (SCs)：多類模型，用于將鯊魚圖像分類到屬和物種級別。
訓練與驗證：使用來自sharkPulse的數據和其他來源的圖像訓練模型。通過遷移學習，利用預訓練的網絡（如VGG16和DenseNet201）來提高訓練效率和準確性。
數據增強：采用圖像增強技術，如平移、剪切、縮放和旋轉，提高模型的泛化能力。
圖1 鯊魚探測器系統由對象檢測和分類軟件包組成，以循序漸進的方式達到最佳效果。此外，通過檢測鯊魚主體，鯊魚定位器可以合成鯊魚識別器和鯊魚分類器模型所需的剪切鯊魚圖像，作為新的訓練數據補充到sharkPulse檔案中。視頻按照定位、識別和分類的順序進行處理。異構數據挖掘數據集按照先識別后分類的順序進行處理。
圖2 SL物體探測模型根據鯊魚出現的置信度繪制方框。(a) 檢測到一條短鰭鯖鯊幼魚，并對單張自動裁剪圖像進行處理，去除餌罐和藍鰭金槍魚等無關物體。(b) 檢測到多個胭脂魚物種，并從單張圖像中裁剪出兩張圖像。
圖3 由SI識別的圖像以及隨后由SC進行的分類。(a) 通過對水下照片、有前景和背景噪聲的圖像、難以辨認鯊魚特征的圖像以及8個不同物種進行分類，SI和SC正確識別了各種鯊魚圖像。
展開 如何在資源受限的RISC-V內核上嵌入人工智能？
運行TFLite 圖像分類任務的標準L31 內核“熱點”識別提供了提示，即哪些指令可以合并或優化以促進特定的任務？為了優化矢量存儲器的加載和卷積乘法和累加序列，增加了兩條自定義指令：mac3 將乘法和加法合并到一個時鐘周期，lb.pi 在加載指令后立即增加地址。這兩條指令目的在于減少頻繁重復指令序列所花費的時鐘周期數。
Codasip 的CodAL 高級處理器描述語言提供了一種有效的方式來描述匯編編碼和程序員對指令功能的想法。這使得迭代嘗試新指令和重新編制代碼以衡量其有效性變得非常快。圖5是一個如何在CodAL 中定義新指令的例子。
圖5 程序示例
通過對運行相同圖像分類任務的定制L31 整數內核進行分析，表明新指令可以被廣泛使用。圖6 總結了指令集中最頻繁使用的前5 條指令；其中乘法累積和帶地址增量的字節加載包含其中。
圖6 指令集中最頻繁使用的前5條指令
利用定制的L31 內核進行的源代碼分析顯示，以前發現的“熱點”性能得到了改善。反匯編（圖7）顯示，它們是在新的定制指令的幫助下執行的，最深的forloop中的凈周期數已經大大減少。
圖7 自定義指令如何改變源代碼的CPU時間分布，反匯編顯示自定義指令在這里被廣泛使用，導致卷積乘法和字節數組加載的時間大大減少
圖8 顯示了這些架構/ 微架構的定制是如何進一步改善L31 內核在圖像分類任務上的PPA（Power,Performance，and Area，功耗，性能和尺寸）指標。兩張圖比較了定制的L31 的PPA 和之前在量化int8 圖像分類任務上的標準32 位整數內核的參數。
展開 卷積神經網絡表征可視化研究綜述
基于這些經典的CNN結構及其特性, 研究人員通過不斷改進和優化[12], 逐漸設計出結構更復雜且識別性能更優異的CNN, 以在Imagenet Large Scale Visual Recognition Competition (ILSVRC)數據集[2]圖像分類任務上的優勝CNN模型為例:
2012年, Krizhevsky等[1]提出了AlexNet, 在圖像分類任務上以巨大優勢取得冠軍, 成功吸引了學術界的關注, 成為新階段CNN興起的標志.
2013年, Zeiler等[13]提出了ZFNet, 利用反卷積可視化技術診斷AlexNet的內部表征, 然后對其針對性地做了改進, 使用較小的卷積核和步長, 從而提升了性能.
2014年, 谷歌公司Szegedy等[14]提出了GoogLeNet, 核心是其中的Inception模塊, 使用了不同尺寸的卷積核進行多尺度的特征提取和融合, 從而更好地表征圖像.
展開 
使用合成數據集來做目標檢測：目標檢測的介紹
在過去的十年里，人們已經開發了大量的圖像特征提取器：AlexNet, VGG, Inception, ResNet, DenseNet, EfficientNet……
要把它們全部解釋清楚，光靠一篇博客文章是遠遠不夠的，但常見的思路是，你有一個特征提取主干，后面跟著一個簡單的分類層，然后你在一個大型圖像分類數據集中從頭到尾地訓練整個東西，通常是ImageNet，這是一個巨大的人工標記和管理的數據集，有超過1400萬張圖片，標記了近22000個類別，以語義層次組織：
一旦你完成了這些，網絡已經學會了為真實世界的攝影圖像提取信息豐富的、有用的特征，所以即使你的類不是來自ImageNet，它也通常是一個調整以適應這個新信息的問題。當然，你仍然需要新的數據，但通常不是數以百萬計的圖像。當然，除非這是一個完全新穎的圖像領域，如x射線或顯微鏡，在那里ImageNet不會有太大幫助。
但視覺并不是這樣工作的。當我環顧四周，我在腦海中看到的不僅僅是單一的標簽。我在我的視野中區分不同目標：現在我看到了鍵盤，我自己的手，一個監視器，一個咖啡杯，一個網絡攝像頭等等，基本上是在同一時間。我能夠從一個單一的靜止圖像中同樣區分所有這些物體。
這意味著我們需要從分類開始繼續下去、分類時為整個圖像分配一個標簽(你可以分配多個multilabel分類模型，但是他們仍然是整個圖像打標簽)，其他問題，需要更細粒度的分析圖像中的目標。人們通常會區分幾種不同的問題：
分類，就像我們上面討論的那樣。
分類 + 定位，你假設圖像中只有一個中心目標，你需要去定位這個目標，畫一個包圍框出來。
展開 使用合成數據集來做目標檢測：目標檢測的介紹
在過去的十年里，人們已經開發了大量的圖像特征提取器：AlexNet, VGG, Inception, ResNet, DenseNet, EfficientNet……
要把它們全部解釋清楚，光靠一篇博客文章是遠遠不夠的，但常見的思路是，你有一個特征提取主干，后面跟著一個簡單的分類層，然后你在一個大型圖像分類數據集中從頭到尾地訓練整個東西，通常是ImageNet，這是一個巨大的人工標記和管理的數據集，有超過1400萬張圖片，標記了近22000個類別，以語義層次組織：
一旦你完成了這些，網絡已經學會了為真實世界的攝影圖像提取信息豐富的、有用的特征，所以即使你的類不是來自ImageNet，它也通常是一個調整以適應這個新信息的問題。當然，你仍然需要新的數據，但通常不是數以百萬計的圖像。當然，除非這是一個完全新穎的圖像領域，如x射線或顯微鏡，在那里ImageNet不會有太大幫助。
但視覺并不是這樣工作的。當我環顧四周，我在腦海中看到的不僅僅是單一的標簽。我在我的視野中區分不同目標：現在我看到了鍵盤，我自己的手，一個監視器，一個咖啡杯，一個網絡攝像頭等等，基本上是在同一時間。我能夠從一個單一的靜止圖像中同樣區分所有這些物體。
這意味著我們需要從分類開始繼續下去、分類時為整個圖像分配一個標簽(你可以分配多個multilabel分類模型，但是他們仍然是整個圖像打標簽)，其他問題，需要更細粒度的分析圖像中的目標。人們通常會區分幾種不同的問題：
分類，就像我們上面討論的那樣。
展開 人工智能 深度學習
神經網絡分類問題
4. 不同數據特征的作用分析、隱含層神經元數目
5. 過擬合
高頻問題：
1. 輸入數據與數據特征 2. 模型設計的過程中的參數與功能的關系。
關鍵點：
1. 掌握神經網絡的基本概念 2. 學會搭建簡單的神經網絡結構
3. 理解神經網絡參數
實操解析與訓練
第二階段：
深度學習三種編程思想 實驗：Keras 實踐
1. 理解 Keras 基本原理 2. 學會 Keras 編程思想
3. 三種不同的深度神經網絡構建編程方式
4. 給定數據集，采用 Keras 獨立完成實際的工程項目
高頻問題：
1. 如何編程實現深度神經網絡 2. 三種開發方式的具體使用
關鍵點：
1. 掌握 Keras 編程思想 2. 采用三種不同方式編寫深度神經網絡
實操解析與訓練
第三階段：CNN 實踐 實驗：圖像分類
1. 使用 CNN 解決圖像分類問題 2. 搭建 AlexNet 3.VGG16/19
4.GoogleNet 5.ResNet
高頻問題：
1.CNN 更復雜的模型在哪里可以找到代碼
關鍵點：
1. 使用卷積神經網絡做圖像分類 2. 常見開源代碼以及適用的問題
實驗：視頻人物行為識別
1. 基于 C3D 的視頻行為識別方法 2. 基于 LSTM 的視頻行為識別方法
3. 基于 Attention 的視頻行為識別方法
高頻問題：
1.2D 卷積與 3D 卷積 2. 視頻的時空特征
關鍵點：
1.C3D 網絡的構建 2.Attention 機制
實操解析與訓練
第四階段：
R-CNN 及 YOLO 實踐 實驗：目標檢測
1. 目標檢測發展現狀及代表性方法
2. 兩階段目標檢測方法：R-CNN 系列模型
3. 一階段目標檢測方法：YOLO 系列模型
高頻問題：
1.
展開 用 Pytorch 理解卷積網絡
卷積神經網絡由Yan LeCun在1998年提出，可以識別給定輸入圖像中存在的數字。使用CNN的其他應用程序包括語音識別，圖像分割和文本處理。在卷積神經網絡之前，多層感知器（MLP）用于構建圖像分類器。
圖像分類是指從多波段光柵圖像中提取信息類別的任務。多層感知器需要更多的時間和空間來在圖片中查找信息，因為每個輸入功能都需要與下一層的每個神經元相連。CNN通過使用稱為本地連接的概念取代了MLP，該概念涉及將每個神經元僅連接到輸入體積的本地區域。通過允許網絡的不同部分專門處理高級功能（如紋理或重復圖案），可以最大程度地減少參數數量。感到困惑？別擔心。讓我們比較一下圖像如何通過多層感知器和卷積神經網絡進行傳遞的，以更好地理解。
比較MLPS和CNNS
考慮到MNIST數據集，由于輸入圖像的大小為28x28 = 784，多層感知器輸入層的總數將為784。 網絡應該能夠預測給定輸入圖像中的數量，這意味著輸出可能屬于以下范圍中的任何一個，范圍從0到9（1、2、3、4、5、6、7、8、9 ）。 在輸出層中，我們返回類別分數，例如，如果給定的輸入是具有數字“ 3”的圖像，則在輸出層中，對應的神經元“ 3”比其他神經元具有更高的類別分數。 我們需要包含多少個隱藏層，每個層中應該包含多少個神經元？這是一個編碼MLP的示例：
上面的代碼段是使用稱為Keras的框架實現的（暫時忽略語法）。它告訴我們在第一個隱藏層中有512個神經元，它們連接到形狀為784的輸入層。該隱藏層之后是一個隨機失活層，該層克服了過擬合的問題。0.2表示在第一個隱藏層之后不考慮神經元的可能性為20％。再次，我們在第二個隱藏層中添加了與第一個隱藏層中相同數量的神經元（512），然后添加了另一個隨機失活。最后，我們用包含10個類的輸出層結束這組層。具有最高值的此類將是模型預測結果。
展開 