我有一个迷你项目，用于我在Tensorflow这门新课程中的随机主题。由于我有一些关于卷积神经元网络的背景，我打算将它用于我的项目。我的电脑只能运行CPU版本的TensorFlow。有关CNN的Tensorflow的特定主题
然而，作为一个新的蜜蜂，我意识到有很多话题，例如MNIST，CIFAR-10等，因此我不知道我应该从他们中挑出哪个适合的话题。我只有还剩两周。如果这个话题不太复杂，但却不太容易研究，因为它符合我的中级水平。
根据您的经验，您能否就我的项目应该为特定主题提供一些建议？
此外，如果在这个主题中，我可以提供自己的数据来测试我的训练，因为我的教授说，在我的项目中获得A分是一个加分。
由于提前，
我认为要回答这个问题，你需要正确评估评分标准为您的项目。不过，我可以简要介绍一下你刚刚提到的内容。
MNIST：MNIST是光学字符识别任务，用于图像大小为28px的单个数字0-9。这被认为是CNN的“Hello World”。这是非常基本的，可能对您的要求过于简单。如果没有更多的信息很难衡量。尽管如此，使用CPU Tensorflow可以很快运行，并且在线教程非常好。
CIFAR-10：CIFAR是一个更大的物体和车辆数据集。图像尺寸为32像素，因此个人图像处理并不算太差。但数据集非常大，您的CPU可能会遇到困难。训练需要很长时间。你可以尝试对缩小的数据集进行训练，但我不知道会如何。再次，取决于你的课程要求。
鲜花诗人：有诗人重新训练示例的Tensorflow可能不适合您的课程，您可以使用鲜花数据集来建立自己的模型。
构建自己的模型：您可以使用tf.Layers来构建自己的网络并对其进行实验。 tf.Layers非常易于使用。或者，您可以查看新的Estimators API，它可以为您自动执行大量培训流程。 Tensorflow网站上有许多教程（质量参差不齐）。
我希望这可以帮助你破解那里的东西。其他要查看的数据集是PASCAL VOC和imageNet（但它们很大！）。试验的模型可能包括VGG-16和AlexNet。
@ JCooke：非常感谢。你的总结对我很有价值。正如你所提到的，CNN在图像处理领域被广泛使用，这里重要的一点是CNN的输入需要作为矩阵表示出来。我也在互联网上搜索，我意识到有很多我可以学习的源代码。不过，我认为为了让他们有所不同，如果我将CNN应用到另一个领域会更好。 –
@ JCooke：我首先想到的是培养**波士顿房屋问题（我认为它已经熟悉了你）。在这个问题中，将考虑输入的9个特征来计算平均点作为输出。你之前曾尝试过这种训练吗？我不知道CNN在这种情况下是否可以应用并且效率高？因为与MNIST或CIFAR-10相比，输入尺寸似乎非常小。 –
CNN几乎局限于图像（有一些例外）。如果我没有记错，波士顿房屋价格套餐更像是一个线性回归问题。您将无法使用CNN做到这一点。 – JCooke