深入解析EfficientNet：高效深度学习网络与ResNet的对比（使用keras进行代码复现，并使用cif

引言

在深度学习领域，卷积神经网络（CNN）是解决图像分类、目标检测等问题的关键技术之一。近年来，随着深度学习的不断发展，新的网络架构不断涌现。在众多网络架构中，EfficientNet和ResNet都成为了深度学习模型的佼佼者，分别在高效性和深度特性上得到了广泛应用。本文将详细介绍EfficientNet，并与经典的ResNet进行对比，分析它的架构、使用场景、适用问题及实例。

什么是EfficientNet？

EfficientNet是一种由Google在2019年提出的深度神经网络架构，其目标是通过优化神经网络模型的深度、宽度和分辨率来实现计算效率和准确度的平衡。它的核心理念是：通过复合缩放（Compound Scaling）方法同时优化网络的深度、宽度和输入图像的分辨率，使得网络在给定计算预算下能够达到更高的性能。

EfficientNet的架构设计

EfficientNet的核心创新在于复合缩放方法。传统的深度网络通常只通过单一的维度（如深度、宽度或分辨率）进行缩放，而EfficientNet则结合了这三者，使得模型的计算效率和精度都得到了优化。

具体来说，EfficientNet架构包含以下几个关键点：

复合缩放（Compound Scaling）：

EfficientNet采用复合缩放方法，不是单独地调整网络的深度、宽度或分辨率，而是将三者结合，在缩放时保持它们之间的比例关系。通过这一方法，网络能够在给定的计算量下，以最小的损失提高模型的精度。

Mobile Inverted Bottleneck（MBConv）模块：

该模块是EfficientNet的核心构建模块，它结合了深度可分离卷积（Depthwise Separable Convolution）和倒置瓶颈结构，从而在计算量和参数量之间实现了较好的平衡。

神经架构搜索（NAS）：

EfficientNet的网络结构是在神经架构搜索（NAS）算法的指导下，自动化地寻找最优的架构。通过NAS，可以获得在性能上更为优秀的网络结构。

高效的激活函数：

EfficientNet采用了Swish激活函数，Swish相比ReLU和LeakyReLU在一定程度上能提高模型的表现。

层次化结构：

EfficientNet模型通过深度、宽度和输入分辨率的合理调整，保持网络层次的层次化结构，使得计算资源可以得到最充分的利用。

EfficientNet的应用场景

EfficientNet可以广泛应用于各类计算机视觉任务中，尤其是在需要高效计算资源的情况下，表现尤为突出。主要的应用场景包括：

图像分类：在ImageNet等数据集上，EfficientNet能够在保证高准确度的同时，显著减少计算资源消耗。目标检测：适用于在高效计算的前提下进行复杂的目标检测任务。语义分割：EfficientNet在图像分割任务中也能展现出强大的性能，特别是在有限的硬件资源下。迁移学习：EfficientNet因其优秀的泛化能力，常常用于迁移学习任务，通过微调适应不同领域的需求。 EfficientNet与ResNet的对比

EfficientNet和ResNet都是现代深度学习中的重要网络架构，它们各自有着不同的设计理念和优缺点。我们可以从以下几个方面进行对比：

模型复杂度与计算效率：

ResNet：ResNet通过引入残差连接（skip connection）解决了深层网络训练中的梯度消失问题，使得网络可以非常深（通常达到100层以上），但仍然能够训练收敛。ResNet网络的设计注重深度，但对于计算资源的需求也较大。EfficientNet：EfficientNet采用复合缩放，合理地调整网络的深度、宽度和分辨率，从而在相同的计算资源下获得更高的性能。相较于ResNet，EfficientNet在相同计算量下，通常能够提供更好的准确度和更少的计算开销。

精度：

在ImageNet等标准数据集上，EfficientNet通常能够提供比ResNet更高的准确度。例如，EfficientNet在ImageNet上的Top-1准确率明显高于ResNet-50，并且计算量更低。

训练速度和计算资源：

ResNet：由于ResNet网络的深度，训练时需要更多的计算资源。EfficientNet：通过复合缩放，EfficientNet能在较低的计算资源下实现高效训练，尤其适用于硬件受限的设备，如移动端设备。 EfficientNetB0 和 ResNet 架构比较

下面是两种模型架构的详细解释与对比，首先我将分别讲解两种模型的结构，再进行对比，并绘制成图表格式。

1. EfficientNetB0 架构解析

EfficientNetB0 是 EfficientNet 系列中的一种轻量级卷积神经网络，其架构基于深度可分离卷积和多种优化策略。以下是其主要组成部分：

输入层（Input Layer）: 输入尺寸为 (32, 32, 3)，代表32x32的RGB图像。Rescaling Layer: 将输入图像的像素值标准化，将像素值从[0, 255]缩放到[0, 1]。Normalization: 对输入进行归一化处理，帮助模型更好地收敛。Stem Block: ZeroPadding2D: 用于在图像边缘添加填充，使后续卷积操作不会丢失信息。Conv2D (卷积层): 采用3x3卷积核，将输入转换为16x16x32的特征图。BatchNormalization (批归一化) + Activation: 对卷积层输出进行标准化，并通过ReLU激活函数。 Block1: DepthwiseConv2D: 深度可分离卷积，减少计算量和参数量，输出32通道的16x16特征图。后续的类似结构包括多个 DepthwiseConv2D 和 Conv2D 层，逐渐提取更高级的特征。 最后的输出层: 通过全连接层和softmax输出10个类别的预测结果。 2. ResNet 架构解析

ResNet（Residual Networks）是另一种深度卷积神经网络，它通过残差连接（skip connections）克服了深度网络中梯度消失和梯度爆炸的问题。以下是其主要组成部分：

输入层（Input Layer）: 输入尺寸为 (32, 32, 3)，同样代表32x32的RGB图像。Conv1 Block: ZeroPadding2D: 对输入图像进行填充，使后续的卷积操作保持一致性。Conv2D (卷积层): 采用3x3卷积核，将输入转换为16x16x64的特征图。BatchNormalization + Activation: 对卷积输出进行标准化，并通过ReLU激活函数。 Pool1 Block: MaxPooling2D: 对卷积层的输出进行最大池化，降低空间维度，减少计算量。 Block2: 包含多个残差单元（Residual Blocks），每个残差单元包括卷积层、批归一化、激活函数等，核心是残差连接，用于加强信息流。 最后的输出层: 类似EfficientNet，ResNet也会通过全连接层和softmax输出分类结果。

3. 对比分析 特性EfficientNetB0ResNet网络结构基于复合缩放（Compound Scaling），采用深度可分离卷积基于残差连接，传统的卷积层结构输入尺寸(32, 32, 3)(32, 32, 3)卷积层深度可分离卷积（减少计算量）传统卷积层+残差连接池化层使用深度卷积和步长2的卷积替代池化层使用最大池化层（MaxPooling2D）特点轻量化设计，高效的计算和内存使用深度网络结构，通过残差连接解决梯度消失应用场景适用于计算资源受限的场景，如移动端、嵌入式设备

适用于需要解决深度训练难题的场景

图表展示：EfficientNetB0 和 ResNet 架构 EfficientNetB0 架构图表： Layer (type)Output ShapeParam #Connected toInput Layer (InputLayer)(None, 32, 32, 3)0-Rescaling (Rescaling)(None, 32, 32, 3)0Input LayerNormalization (Normalization)(None, 32, 32, 3)7RescalingStem Conv Pad (ZeroPadding2D)(None, 33, 33, 3)0NormalizationStem Conv (Conv2D)(None, 16, 16, 32)864Stem Conv PadStem BN (BatchNormalization)(None, 16, 16, 32)128Stem ConvStem Activation (Activation)(None, 16, 16, 32)0Stem BNBlock1a DwConv (DepthwiseConv2D)(None, 16, 16, 32)288Stem Activation ResNet 架构图表： Layer (type)Output ShapeParam #Connected toInput Layer (InputLayer)(None, 32, 32, 3)0-Conv1 Pad (ZeroPadding2D)(None, 38, 38, 3)0Input LayerConv1 Conv (Conv2D)(None, 16, 16, 64)9,472Conv1 PadConv1 BN (BatchNormalization)(None, 16, 16, 64)256Conv1 ConvConv1 Relu (Activation)(None, 16, 16, 64)0Conv1 BNPool1 Pad (ZeroPadding2D)(None, 18, 18, 64)0Conv1 ReluPool1 Pool (MaxPooling2D)(None, 8, 8, 64)0Pool1 PadConv2 Block1 1 Conv (Conv2D)(None, 8, 8, 64)4,160Pool1 PoolConv2 Block1 1 BN (BatchNormalization)(None, 8, 8, 64)256Conv2 Block1 1 Conv EfficientNetB0 采用了深度可分离卷积和复合缩放策略，目的是在尽可能小的参数量下达到较高的效率和性能。它非常适合在资源受限的设备上使用（例如移动设备）。ResNet 则通过残差连接让网络变得更深，避免了传统深度网络中的梯度消失问题。这使得 ResNet 在训练非常深的网络时更为有效。 EfficientNet实例应用

让我们通过一个实际的例子，使用TensorFlow Keras库实现EfficientNet，并与ResNet进行对比。我们选择的是Keras库自带的CIFAR-10数据集，进行图像分类任务。

1.首先加载数据集，这里使用cifar10数据集。

import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.datasets import cifar10 # 加载CIFAR-10数据集 (x_train, y_train), (x_test, y_test) = cifar10.load_data() x_train.shape (50000, 32, 32, 3)

可以看到训练数据有50000张图片，并且图片是32*32大小的3颜色通道图像。

from matplotlib import pyplot as plt plt.subplot(131) plt.imshow(x_train[1]) plt.subplot(132) plt.imshow(x_train[2]) plt.subplot(133) plt.imshow(x_train[3])

展示出一些图像进行查看。

2.为了方便比较resnet50和EfficientNet，我将从两个方面进行研究，第一，探索两个架构在不使用预训练参数的情况下，也就是从头开始训练模型，比较其准确率和损失。其二，对两个模型都使用预训练好的参数，比较其准确率和损失值。其他参数，例如epochs=10, batch_size=64都保持一致。

EfficientNet：从头开始训练 # 归一化处理 x_train, x_test = x_train / 255.0, x_test / 255.0 # 使用EfficientNet模型进行训练 efficientnet_model = tf.keras.applications.EfficientNetB0( include_top=True, weights=None, # weights='imagenet', 表示从头开始训练 input_shape=(32, 32, 3), classes=10 ) # 编译模型 efficientnet_model pile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型并记录历史 history = efficientnet_model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test)) # 测试模型 test_loss, test_acc = efficientnet_model.evaluate(x_test, y_test, verbose=2) print(f"EfficientNet Test accuracy: {test_acc}") # 绘制损失图 plt.figure(figsize=(10, 6)) # 绘制训练和验证的损失曲线 plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') # 添加标题和标签 plt.title('Loss during Training and Validation') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() # 显示图像 plt.show() Epoch 1/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 119s 73ms/step - accuracy: 0.1605 - loss: 3.4596 - val_accuracy: 0.1718 - val_loss: 2.4781 Epoch 2/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 26ms/step - accuracy: 0.2614 - loss: 2.3754 - val_accuracy: 0.2990 - val_loss: 3.5932 Epoch 3/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.3080 - loss: 2.1670 - val_accuracy: 0.2642 - val_loss: 2.0965 Epoch 4/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.2998 - loss: 2.2079 - val_accuracy: 0.3511 - val_loss: 1.7923 Epoch 5/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.3160 - loss: 2.1311 - val_accuracy: 0.2875 - val_loss: 2.4609 Epoch 6/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.2823 - loss: 2.2442 - val_accuracy: 0.3555 - val_loss: 1.8949 Epoch 7/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.3466 - loss: 2.0003 - val_accuracy: 0.3637 - val_loss: 1.9848 Epoch 8/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.3813 - loss: 1.8895 - val_accuracy: 0.3848 - val_loss: 1.7935 Epoch 9/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.3739 - loss: 1.9279 - val_accuracy: 0.3653 - val_loss: 1.7812 Epoch 10/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 21s 27ms/step - accuracy: 0.3726 - loss: 1.9205 - val_accuracy: 0.4238 - val_loss: 1.6427 313/313 - 5s - 17ms/step - accuracy: 0.4238 - loss: 1.6427 EfficientNet Test accuracy: 0.423799991607666

resnet50：从头开始训练 # 使用ResNet-50模型进行训练 resnet_model = tf.keras.applications.ResNet50( include_top=True, weights=None, input_shape=(32, 32, 3), classes=10 ) # 编译模型 resnet_model pile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型并记录历史 history = resnet_model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test)) # 测试模型 test_loss, test_acc = resnet_model.evaluate(x_test, y_test, verbose=2) print(f"ResNet Test accuracy: {test_acc}") # 绘制损失图 plt.figure(figsize=(10, 6)) # 绘制训练和验证的损失曲线 plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') # 添加标题和标签 plt.title('Loss during Training and Validation') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() # 显示图像 plt.show() Epoch 1/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 98s 63ms/step - accuracy: 0.3055 - loss: 2.2639 - val_accuracy: 0.4116 - val_loss: 1.6579 Epoch 2/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 35ms/step - accuracy: 0.3894 - loss: 1.8813 - val_accuracy: 0.1687 - val_loss: 2.5237 Epoch 3/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 35ms/step - accuracy: 0.4234 - loss: 1.8272 - val_accuracy: 0.1247 - val_loss: 73.8607 Epoch 4/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 35ms/step - accuracy: 0.3188 - loss: 2.1395 - val_accuracy: 0.2297 - val_loss: 2.5845 Epoch 5/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 34ms/step - accuracy: 0.4081 - loss: 1.7452 - val_accuracy: 0.4130 - val_loss: 1.6245 Epoch 6/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 34ms/step - accuracy: 0.4723 - loss: 1.6311 - val_accuracy: 0.2371 - val_loss: 2.5472 Epoch 7/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 34ms/step - accuracy: 0.4987 - loss: 1.5423 - val_accuracy: 0.4830 - val_loss: 3.2968 Epoch 8/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 35ms/step - accuracy: 0.5589 - loss: 1.3475 - val_accuracy: 0.5539 - val_loss: 1.7728 Epoch 9/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 34ms/step - accuracy: 0.6003 - loss: 1.2565 - val_accuracy: 0.3240 - val_loss: 2.1211 Epoch 10/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 27s 35ms/step - accuracy: 0.5625 - loss: 1.4461 - val_accuracy: 0.5895 - val_loss: 1.1765 313/313 - 4s - 14ms/step - accuracy: 0.5895 - loss: 1.1765 ResNet Test accuracy: 0.5895000100135803

EfficientNet：使用预训练参数 # 使用EfficientNet模型进行训练 (不包括顶部的全连接层) efficientnet_model = tf.keras.applications.EfficientNetB0( include_top=False, # 不包含顶部的分类层 weights='imagenet', # 使用ImageNet预训练权重 input_shape=(32, 32, 3) ) # 冻结预训练的层，不训练它们 efficientnet_model.trainable = False # 在EfficientNet的顶部添加一个自定义的分类层 model = tf.keras.Sequential([ efficientnet_model, tf.keras.layers.GlobalAveragePooling2D(), # 使用全局平均池化层 tf.keras.layers.Dense(10, activation='softmax') # CIFAR-10 有 10 个分类 ]) # 编译模型 model pile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型并记录历史 history = model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test)) # 测试模型 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f"EfficientNet Test accuracy: {test_acc}") # 绘制损失图 plt.figure(figsize=(10, 6)) # 绘制训练和验证的损失曲线 plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') # 添加标题和标签 plt.title('Loss during Training and Validation') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() # 显示图像 plt.show() Epoch 1/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 39s 28ms/step - accuracy: 0.1013 - loss: 2.3282 - val_accuracy: 0.1000 - val_loss: 2.3202 Epoch 2/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.0990 - loss: 2.3311 - val_accuracy: 0.1000 - val_loss: 2.3488 Epoch 3/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.0971 - loss: 2.3280 - val_accuracy: 0.1000 - val_loss: 2.3273 Epoch 4/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.0984 - loss: 2.3272 - val_accuracy: 0.1000 - val_loss: 2.3191 Epoch 5/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.1045 - loss: 2.3287 - val_accuracy: 0.1000 - val_loss: 2.3206 Epoch 6/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.1032 - loss: 2.3272 - val_accuracy: 0.1000 - val_loss: 2.3103 Epoch 7/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.0990 - loss: 2.3287 - val_accuracy: 0.1000 - val_loss: 2.3229 Epoch 8/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.1001 - loss: 2.3273 - val_accuracy: 0.1000 - val_loss: 2.3333 Epoch 9/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.1002 - loss: 2.3312 - val_accuracy: 0.1000 - val_loss: 2.3290 Epoch 10/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 8s 10ms/step - accuracy: 0.0994 - loss: 2.3294 - val_accuracy: 0.1000 - val_loss: 2.3264 313/313 - 5s - 15ms/step - accuracy: 0.1000 - loss: 2.3264 EfficientNet Test accuracy: 0.10000000149011612 ResNet：使用预训练参数 # 使用ResNet-50模型进行训练 (不包括顶部的全连接层) resnet_model = tf.keras.applications.ResNet50( include_top=False, # 不包含顶部的分类层 weights='imagenet', # 使用ImageNet预训练权重 input_shape=(32, 32, 3) ) # 冻结预训练的层，不训练它们 resnet_model.trainable = False # 在ResNet-50的顶部添加一个自定义的分类层 model = tf.keras.Sequential([ resnet_model, tf.keras.layers.GlobalAveragePooling2D(), # 使用全局平均池化层 tf.keras.layers.Dense(10, activation='softmax') # CIFAR-10 有 10 个分类 ]) # 编译模型 model pile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型并记录历史 history = model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test)) # 测试模型 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f"ResNet Test accuracy: {test_acc}") # 绘制损失图 plt.figure(figsize=(10, 6)) # 绘制训练和验证的损失曲线 plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') # 添加标题和标签 plt.title('Loss during Training and Validation') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() # 显示图像 plt.show() 94765736/94765736 ━━━━━━━━━━━━━━━━━━━━ 4s 0us/step Epoch 1/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 24s 20ms/step - accuracy: 0.0980 - loss: 2.4080 - val_accuracy: 0.1000 - val_loss: 2.3360 Epoch 2/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 12ms/step - accuracy: 0.0980 - loss: 2.3526 - val_accuracy: 0.1000 - val_loss: 2.3432 Epoch 3/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 12ms/step - accuracy: 0.1007 - loss: 2.3432 - val_accuracy: 0.1000 - val_loss: 2.3263 Epoch 4/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 11ms/step - accuracy: 0.1027 - loss: 2.3470 - val_accuracy: 0.1000 - val_loss: 2.3581 Epoch 5/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 11ms/step - accuracy: 0.0996 - loss: 2.3540 - val_accuracy: 0.1000 - val_loss: 2.3316 Epoch 6/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 11ms/step - accuracy: 0.0993 - loss: 2.3496 - val_accuracy: 0.1000 - val_loss: 2.4083 Epoch 7/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 12ms/step - accuracy: 0.1008 - loss: 2.3473 - val_accuracy: 0.1000 - val_loss: 2.4054 Epoch 8/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 11ms/step - accuracy: 0.1002 - loss: 2.3534 - val_accuracy: 0.1000 - val_loss: 2.3475 Epoch 9/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 11ms/step - accuracy: 0.0993 - loss: 2.3522 - val_accuracy: 0.1000 - val_loss: 2.3304 Epoch 10/10 782/782 ━━━━━━━━━━━━━━━━━━━━ 9s 11ms/step - accuracy: 0.1008 - loss: 2.3523 - val_accuracy: 0.1000 - val_loss: 2.3446 313/313 - 4s - 12ms/step - accuracy: 0.1000 - loss: 2.3446 ResNet Test accuracy: 0.10000000149011612

这里的准确率确实比较差，因为并没有进行细致的调参，只是为了比较两种模型，图像大小可以调整为224*224，并且epoch可以适当增加，batch_size可以适当缩小。这样效果应该会变好。

最后，制作不易，如果我的内容对你有帮助，请动动发财的小手，点个关注，非常感谢。