小程序选用前后端别离架构，前端选用taro结构，后端选用springboot结构，并经过nginx进行恳求转发。

  该数据会集有9个最常见的北欧蘑菇属图画文件夹。每个文件夹包括300到 1500个蘑菇属的选定图画。标签是文件夹的称号。

  练习：将图片与标签（文件夹名即标签）打包后，将前百分之80设置为练习集，后百分之20设置为验证集。运用tf.keras.Sequential构建模型model，最终调用model.fit进行练习。

  能够发现这个成果很不抱负。一开始我认为是因为过拟合了，所以测验添加dropout，但发现并没有起到啥作业[张1]。

  之后我对这些脏数据来进行了手动删去，一起我发现图片中搅扰元素较多（比方布景中的花草），有几率会使网络无法很好地对蘑菇进行分类。所以我测验运用了github上的开源库对数据会集的数据来进行去布景处理。

  最终运用去除了脏数据，并进行了去布景操作后的数据集进行练习，练习集准确率：99.88%， 测验集准确率：81.25%。

  获取蘑菇概况信息：经过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：根据TensorFlow的实践详解》完好版PDF+附书代码

  【Keras】完好完成‘交通标志’分类、‘收据’分类两个项目，让你把握深度学习图画分类