基于卷积神经网络的蘑菇识别微信小程序米乐体育APP官网

　　小程序采用前后端分离架构，前端采用taro框架，后端采用springboot框架，并通过nginx进行请求转发。

　　该数据集中有9个最常见的北欧蘑菇属图像文件夹。每个文件夹包含300到 1500个蘑菇属的选定图像。标签是文件夹的名称。

　　训练：将图片与标签（文件夹名即标签）打包后，将前百分之80设置为训练集，后百分之20设置为验证集。利用tf.keras.Sequential构建模型model，最后调用model.fit进行训练。

　　可以发现这个结果很不理想。一开始我以为是因为过拟合了，于是尝试增加dropout，但发现并没有起到什么作用[张1]。

　　之后我对这些脏数据进行了手动删除，同时我发现图片中干扰元素较多（比如背景中的花草），可能会导致网络无法很好地对蘑菇进行分类。于是我尝试使用了github上的开源库对数据集中的数据进行去背景处理。

　　最后使用去除了脏数据，并进行了去背景操作后的数据集进行训练，训练集准确率：99.88%， 测试集准确率：81.25%。

　　获取蘑菇详细信息：通过Taro.request api调用后端接口获取详细信息。

　　《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码

　　【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类