活动地址：CSDN21天学习挑战赛

学习：深度学习100例-卷积神经网络（CNN）识别眼睛状态 | 第17天_K同学啊的博客-CSDN博客

一、其他

1.1 官方网络模型（VGG16）

详情：keras—VGG16_小麦粒的博客-CSDN博客_keras vgg16

VGG中根据卷积核大小和卷积层数目的不同，可分为A，A-LRN,B,C,D,E共6个配置(ConvNet Configuration)，其中以D,E两种配置较为常用，分别称为VGG16和VGG19。

A：是最基本的模型，8个卷基层，3个全连接层，一共11层。
A-LRN：忽略
B：在A的基础上，在stage1和stage2基础上分别增加了1层3X3卷积层，一共13层。
C：在B的基础上，在stage3，stage4和stage5基础上分别增加了一层1X1的卷积层，一共16层。
D：在B的基础上，在stage3，stage4和stage5基础上分别增加了一层3X3的卷积层，一共16层。
E：在D的基础上，在stage3，stage4和stage5基础上分别增加了一层3X3的卷积层，一共19层。
模型D是就是经常说的VGG16网络，模型E则为VGG19网络，下图给出了VGG的六种结构配置：

 

1.2 sparse_categorical_crossentropy

sparse_categorical_crossentropy为多分类交叉损失函数，关键在于sparse（稀疏），要求目标为数字编码，然后在函数内容进行 one-hot 编码

1.3 混淆矩阵

[机器学习笔记] 混淆矩阵（Confusion Matrix）_梅森上校的博客-CSDN博客_混淆矩阵公式

混淆矩阵（Confusion Matrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。

混淆矩阵的结构一般如下图表示的方法。

混淆矩阵要表达的含义：

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；
每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目；每一列中的数值表示真实数据被预测为该类的数目。
 

 True Positive（TP）：真正类。样本的真实类别是正类，并且模型识别的结果也是正类。

 False Negative（FN）：假负类。样本的真实类别是正类，但是模型将其识别为负类。

 False Positive（FP）：假正类。样本的真实类别是负类，但是模型将其识别为正类。

 True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。 

从混淆矩阵当中，可以得到更高级的分类指标：Accuracy（精确率），Precision（正确率或者准确率），Recall（召回率），Specificity（特异性），Sensitivity（灵敏度）。

Accuracy = (TP+TN)/(TP+FN+FP+TN)

Precision = TP/(TP+FP)

Recall = TP/(TP+FN)

Recall（召回率） = Sensitivity（敏感指标，True Positive Rate，TPR）= 查全率

Specificity = 1 - FPR