这次神经网络实践的数据来自：https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data

训练数据中，只有猫和狗两种类别。图片共25000张，猫和狗分别12500张。图片都来自于真实场景，图片大小不一致，数据较为复杂。

本来是有测试数据的，但是给的标签错了，所以我直接将训练数据分为测试数据（5000张），训练数据（20000张）

自己的实践之路：

之前的12306数据集让我明白，现成的经典网络结构比自己的好，所以我引用了alexnet。我将图片处理为227*227*3的大小，构建alexnet是神经网络，但是发现结果不是很好。

我又在Kaggle的猫狗数据网站上找到了其他人的分享https://www.kaggle.com/jeffd23/catdognet-keras-convnet-starter/notebook，用的是自改的vgg16，实现方式是keras。一开始我认为我的电脑运算能力不足以计算如此深层的神经网络。抱着试一下的态度，我尝试用tensorflow复现：

前向：

输入图片大小：64*64*3

所有卷积核大小为3*3

所有池化核的大小为2*2

均使用0填充

训练：

学习率：0.0001

正则：0.0001

batch size：16

loss：交叉熵

滑动平均

RMS优化器

vgg16是非常深的神经网络。该修改的版本也差不多。

网络结构：

1. 3*3*32的卷积
2. 3*3*32的卷积
3. 2*2池化
4. 3*3*64的卷积
5. 3*3*64的卷积
6. 2*2池化
7. 3*3*128的卷积
8. 3*3*128的卷积
9. 2*2池化
10. 3*3*256的卷积
11. 3*3*256的卷积
12. 2*2池化
13. 256个节点的第一层全连接
14. 256个节点的第二层全连接
15. 2个节点的输出层

训练了18000轮，测试集85%的正确率，但是到了10000轮的时候就差不多稳定了。

作者的留言里写道他的正确率大约为90%，而且作者训练的数据只有总共的8%，我对此是有些疑问的。