王策仁，彭亚雄，陆安江

(贵州大学 大数据与信息工程学院，贵阳 550025)

0 引 言

计算机视觉学科领域发展至今，图像分类问题一直是此领域的重要内容。随着互联网技术的飞速发展，网络上的图像无论从数据大小、数量基数和种类的丰富都呈现指数式的增长。近几年，机器学习在图像识别领域发展迅速，便于进行矩阵和浮点计算的GPU性能快速进步，而作为机器学习的重要分支，其可以通过大量数据和GPU硬件加速来增强深度学习快速在学习科研[1]、工业应用[2]、医学诊断[3]等领域得到广泛的运用。

深度学习拥有比较优秀的建模和分析能力，在图形分类中优势明显。为此需要两个前提条件：一是足够深且合适的网络模型，二是质量好且标注优秀的数据集提供训练[4]。此外，对实验的硬件要求很高。

饮食的种类丰富多样，又是人们日常生活的必要因素，随着国家、民族、地域的不同，其种类风格也大相径庭。由于食物图片的数量之多，采用传统的深度学习方法，对硬件和数据集的质量要求太高，花费的时间较多，并难以得到较好的结果。人们日常接触到的食物图像数据样本大多质量一般，要么是样本的数量较少，要么是样本中无效数据或标注较少[5]。但是，这些通过卷积神经网络提取出来的特征信息部分，具有不错的泛化能力，可通过对迁移学习合理运用增加模型性能。

1 神经网络算法分析

深度学习是机器学习领域的一个重要分支，2012年Hinton等人[6]构建……