CNN由多个层组成，主要有卷积层、池化层、全连接层，信息在这些层之间传递。卷积层与池化层主要负责特征的识别与提取，而全连接层则将这些特征转化为不同类别的概率。一般来说，大部分的层是将输入图像转换为一组特征，最后几层使用这些特征执行分类。

2.2 程序的研究流程

三、 训练过程及程序实现效果展示

3.1CNN神经网络训练

        训练的过程中可以同步看到准确度和损失值曲线的变化，准确度会越来越高，损失值会越来月底！随着悬链迭代步数的增加，准确率曲线呈现明显的上升趋势，准确度趋于91%，损失值随着准确度的增加呈现明显的下降趋势，本次训练耗时非常长！由准确度曲线可知，本研究自定义网络的识别率达到了91%。

3.2程序的实验过程及结果

以下将一一展示GUI界面的垃圾分类实验的结果：

首先是加载网络，导入设置好的卷积网络

接下来将准备好的1万多张垃圾数据集载入到系统中，包括可回收，其他，厨余和有害，所有图片载入，为网络训练做准备！

经过长时间的训练之后，模型将自动生成，并保存到同一个文件夹里面！

-----------------------------------接下来开始最终的实验测试---------------------------------

-----以上为基于卷积神经网络的垃圾分类系统的程序的展示。