类数对卷积神经网络在图像分类中的性能影响

深度学习作为一种现实的人工智能技术，能够处理多个信息层次，并在不同类别中产生最佳结果。深度学习在多个领域中表现出色，尤其是在图像分组、分割和识别方面。卷积神经网络（CNN）是依赖深度学习的一种算法。它在医学图像及其诊断、面部识别和其他不同领域中表明其在图像分类中的高效性。本文重点讨论了图像，以提醒新研究者类数对CNN性能的影响，以及来源错误分类对分类结果的影响，并强调采用可靠和正确的数据来源以避免不准确结果的必要性。使用了一组面部图像，并对其进行了三个实验，使用了所有现有类并进行了减少。结果显示，每当类数减少时，算法的性能显著改善。选择仅两个类别进行分类时，验证准确率达到了85%。