一、图像识别模型能获得更多的数据。

它肯定是最简单的解决方案，深度学习图像识别模型依赖于所获得的数据。一种最简单的方法是增加验证的精确度。在处理图像识别模型时，可以考虑使用数据增强来增加可用数据集的多样性。这包括把图像翻转到轴上、添加噪声、放大图像等。

二、图像识别模型能增加更多的层次。

在图像识别模型中加入更多层次的图层使其有能力更深入地学习数据集特性，这样它就能识别人类可能没有注意到的细微差别。在复杂的任务中，例如区分狗和猫，是很有意义的，因为其中一些图像识别模型能学会区分狮子犬和西施犬的细微特征。

为了完成一些简单的任务，如猫狗的分类，只需几层的简单的图像识别模型即可。

其他层次->图像识别模型更加精细。

三、图像识别模型能改变图像尺寸。

在图像预处理的过程中，为了训练和评价图像，需要做大量的图像尺寸实验。若所选图像尺寸过小，图像识别模型就不能识别出有意义的特征。反之，如果图像过大，则会增加计算机所需的计算资源，而且/或图像识别模型不够复杂，难以处理。大部分的预处理算法都没有考虑到图像的高宽比，所以较小的图像可能在某一轴上缩小。将一张高分辨率图像转换为28x28等小尺寸图像，通常会导致大量的像素化，这往往会影响图像识别模型的性能。

四、图像识别模型能增加训练轮次。

epoch基本上是将整个数据集通过神经网络传递的次数。按+25,+100逐步建立图像识别模型。如果数据集中存在大量数据，则需要增加epoch值。但是，图像识别模型最终会达到这样一个点，即添加epoch无法提高精度。在这一点，需要考虑调整图像识别模型的学习速度。该超参数的大小决定了图像识别模型是否达到全局最小(神经网络的最终目标)或陷入局部最小。

五、图像识别模型能缩小色彩通道。

色彩信道反映图像阵列的尺寸。大部分的彩色(RGB)图像是由三个彩色通道组成的，而灰度图像只有一个通道。色彩通道越复杂，数据集越复杂，模型训练所需的时间也就越长。

若色彩在图像识别模型中没有很大的影响因素，可继续将彩色图像转换成灰度。

六、图像识别模型能转移学习。

移植学习是将经过训练的图像识别模型作为起点，以此为起点进行大部分计算机视觉和自然语言处理工作。预训练的图像识别模型是先进的深度学习识别模型，它们要对数百万样本进行训练，通常要花费数月的时间。这两种图像识别模型对于检测不同图像的细微差别具有惊人的能力。所建立的识别模型可作为图像识别模型的基础。大部分的图像识别模型是非常好的，所以不需要增加卷积和池化。该方法使图像识别模型的准确率达到90%以上。

七、图像识别模型能超参数。

以上技巧为图像识别模型的优化提供了基础。在实际的图像识别模型中，需要调整各种超参数和功能，如学习率、激活函数、损失函数，甚至批大小等，这些都是需要进行调整的重要参数。