47 637 张图片总共 61 个分类标签．6 种模型对图像进行特征抽取． 采用交叉熵和正则化项组成损失函数进行反向传播调整，对数据集进行 4 种不同情况的划分; 并且使用了**初始化和迁移训练两种训练方式，**分别对 6 种网络架构在不同学习率下进行试验比较．
进行图像的高层特征进行抽取，训练之前对数据进行增强; 训练过程采用初始化训练和迁移训练两种方式，同时调整合适的训练参数( 如训练率、衰减率、迭代次数、优化器等) ，对 6 种网络进行试验比较。
文中数据来源为 AI Challenger( https: ∥challenger． ai /competition / pdr2018)
数据增强方法主要有两大类: 空间几何变换方法有翻转、裁剪、旋转、缩放和仿射变换等; 像素颜色变换方法有添加高斯噪声、高斯模糊、对比度变换、颜色扰动等．
基于深度学习算法的特征抽取能够从大规模数据集中自动学习到需要的分类特征。
分类问题的标签为 one-hot 编码，对于分类问题来说最常见的会使用交叉熵作为误差代价，实际上在训练的过程中为防止过拟合通常会加上正则化项。
大数据集 ImageNet 中训练好的网络权重参数迁移到自己的网络继续进行训练。 学习率 0． 01， 学习 率 采 用 指
