# 使用 TensorFlow 的用于 CIFAR10 的 ConvNets 我们保持层，滤波器及其大小与之前的 MNIST 示例中的相同，增加了一个正则化层。由于此数据集与 MNIST 相比较复杂，因此我们为正则化目的添加了额外的损失层： ```py tf.nn.dropout(layer1_pool, keep_prob) ``` 在预测和评估期间，占位符`keep_prob`设置为 1。这样我们就可以重复使用相同的模型进行培训以及预测和评估。 有关 CIFAR10 数据的 LeNet 模型的完整代码在笔记本 `ch-09b_CNN_CIFAR10_TF_and_Keras` 中提供。 在运行模型时，我们得到以下输出： ```py Epoch: 0000 loss = 2.115784 Epoch: 0001 loss = 1.620117 Epoch: 0002 loss = 1.417657 Epoch: 0003 loss = 1.284346 Epoch: 0004 loss = 1.164068 Epoch: 0005 loss = 1.058837 Epoch: 0006 loss = 0.953583 Epoch: 0007 loss = 0.853759 Epoch: 0008 loss = 0.758431 Epoch: 0009 loss = 0.663844 Epoch: 0010 loss = 0.574547 Epoch: 0011 loss = 0.489902 Epoch: 0012 loss = 0.410211 Epoch: 0013 loss = 0.342640 Epoch: 0014 loss = 0.280877 Epoch: 0015 loss = 0.234057 Epoch: 0016 loss = 0.195667 Epoch: 0017 loss = 0.161439 Epoch: 0018 loss = 0.140618 Epoch: 0019 loss = 0.126363 Model Trained. Accuracy: 0.6361 ``` 与我们在 MNIST 数据上获得的准确率相比，我们没有获得良好的准确性。通过调整不同的超参数并改变卷积和池化层的组合，可以实现更好的准确性。我们将其作为挑战，让读者探索并尝试不同的 LeNet 架构和超参数变体，以实现更高的准确性。