- 博客(10)
- 收藏
- 关注
RSS订阅原创 8_RestNet34_Dr
我的学习路线是：先依据ResNet50的caffe图，手绘出他的网络连接图，之后配合着他的Pytorch代码，把resnet50的pytorch代码怎么写的搞清楚之后看resnet34的caffe文档，对应着resnet50的pytorch代码，把resnet34的pytorch代码弄出来，其中写的时候，参考34官方的网络结构图（看怎么进行模块划分的，并且学习格式）参考的是:caffe网络结构调用Pytorch的ResNet34的网络结构和J1的ResNet50的Pytorch代码。
2026-06-15 13:28:58
84
原创 J1_ResNet50v1
但是如果不padding，卷积后就会出现图片变小的情况，且和卷积大小与stride有关，因此要使用自动padding。这里相当于它一个convblock（里面主路由3个卷积+1个旁路卷积）后面会接几个IdentityBlock（3个主路卷积）在这里我是先看的论文，之后再开的本次的学习，用ppt写了一些记录。其实可以不按照这个conv搭建的，可以直接顺序搭建的。所以支路不加卷积，说明主路没有变化[N,W,H]数据集小，并且batch小，结果就会很不确定。（有的我也不确定对，如有问题请多指教）
2026-06-15 12:49:44
196
原创 7_VGG_Replicate
上一次实验了解到resnet由于引入了残差网络，导致其比VGG而言更轻量化，且高效。可能是学习率设得太小，导致梯度更新步长太短，不足以跨越当前的 Loss 平原。发现经过数据处理后，20轮训练后，最高可达99.3%，有所提升，但仍不到100%SGD缺乏动量， 只看当前的梯度方向，容易在鞍点或平坦区域“卡住”。用Adam+未处理数据集+ResNet迁移训练。最开始用的是VGG+原数据+SGD优化器。resnet+已处理数据集+adam。resnet+未处理数据集+adam。VGG+原数据+Adam优化器。
2026-06-07 14:08:59
162
原创 6_Face_Recognition_VGG16
看最后一部分，这里的6指的是最后一个全连接中的第六层，即”Linear(in_features=4096, out_features=17, bias=True)“因为这个数据集是自制的，所以要把图片进行统一尺寸、totensor、标准化（之前用的官方的数据集都是tensor类型的）2.自己训练权重+VGG（这里感觉，可能和VGG的参数量比较大有关，所以想换用参数量小些的ResNet18）这里其实发现，如果不改优化器的话，你用新的数据集的结果也许还不如原数据集的效果好。新数据：（反而卡在了17%）
2026-06-04 21:48:37
160
原创 5_Shoes_Recognition
发现更平稳了，但是所达到的最大值不如batch为64时的最大值（那次最好是85多，快86了。发现有测试集学东西的能力弱，且考虑本次任务要求，先考虑增大dropout的系数，用GAP。于是把batch换为64，epoch为40，训练了很多次，最后最高的达到84.多。最开始是全部都加上的，但是发现，这样的准确率并不高，可能是增强的太过了。发现卡死了，学不到东西，于是改回dropout的系数，去掉GAP。发现波动很大，于是增大batch，从32到64。但是发现还是有尖峰，于是再增大batch。
2026-06-02 15:42:25
216
原创 4_MB-Classifier
多了import torchvision这个导入其实没用多了total_data.class_to_idx这个其实只是查询的指令，上次虽然没查询，但是也自动完成了多了num_workers=1用来加快进程的定义时少了self.pool2 = nn.MaxPool2d(2,2)但是他在写前向传播的时候没有少，所以跟上次的网络结构一样。
2026-05-11 09:57:39
387
原创 3_Weather_recognition
axes”是二维的（3×8张的图片）“image_files”是一维的[01.jpg、02.jpg…]之类的为了方便编号对应，需要进行维度匹配“axes.flat”将axes弄成一维的之后用for+zip把每一对图片和标号都分别对应起来。
2026-05-09 13:00:50
377
原创 1_Mnist_recognition
通过这次实验，巩固了python的用法，了解了深度学习的步骤——“选择模型，构建网络，写训练文件和测试文件，评估模型”基本明白了CNN的网络结构和对应层的功能（具体到每一步对像素进行怎样的计算）；明白了激活函数和对应包的用途在本次练习中，回顾了之前学的机器学习中的分类问题，在分类的损失函数中注意到了本次使用的函数与MSE的区别。从而加深了对回归和分类问题的理解。
2026-04-22 18:48:44
547
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人