- 博客(10)
- 收藏
- 关注
RSS订阅原创 第P10周：Pytorch实现车牌识别
实验环境通过本次车牌识别项目，我基本掌握了如何计算准确率，并对多字符识别任务中的不同准确率指标——（字符准确率）和（样本准确率）进行了简单区分和计算。其次，还了解了继承基类来自定义MyDataset数据集类，灵活地处理了特定格式的车牌图片和字符串标签数据，将标签预处理（如转换为 one-hot 编码）整合到数据加载流程中，构建了模块化的数据输入管道。
2025-12-26 21:38:12
855
原创 第P9周：YOLOv5-Backbone模块实现
实验环境YOLOv5 的主干网络（Backbone）负责从原始图像中提取多尺度特征。其核心组件包括：Conv 模块：标准卷积 + BatchNorm + SiLU 激活，这部分就像一个精细的过滤系统，它能够有效地识别并强调图像中的重要特征，同时抑制不相关的信息。标准卷积层负责捕捉输入数据的空间结构信息；批归一化有助于加速训练过程；SiLU激活函数则通过其平滑非线性的特性增强模型的表达能力。
2025-12-19 21:43:41
775
原创 第P8周：YOLOv5-C3模块实现
实验环境C3模块通过将输入特征分流处理：主路径通过Conv→Bottleneck*N进行深度特征提取，其中每个Bottleneck都包含Conv-Conv-Add的残差结构，采用Conv2d-Bn-SiLU的标准卷积单元实现层级特征抽象；旁路路径则通过简单的Conv操作保留原始信息。两条路径的特征通过concat层智能融合后，再经最终Conv输出。这种设计实现了多尺度特征的有效整合——浅层路径保持细节分辨率，深层路径学习语义抽象，两者互补增强特征表达能力。
2025-12-05 21:05:57
539
原创 第P7周：马铃薯病害识别（VGG-16复现）
实验要求自己搭建VGG-16网络框架调用官方的VGG-16网络框架如何查看模型的参数量以及相关指标实验环境在本次实践中，我成功实现了VGG-16网络的两种构建方式，虽然由于训练轮数较少未能获得理想的准确率，但这个过程还是让我有所收获。我深入理解了VGG-16的架构设计，掌握了从零搭建网络和调用官方预训练模型的双重技能，并学会了使用torchsummary分析模型参数量的方法。
2025-11-28 14:17:28
907
原创 第P6周：VGG-16算法-Pytorch实现人脸识别
实验要求保存训练过程中的最佳模型权重调用官方的VGG-16网络框架实验环境在本次学习中，我了解到迁移学习的基本冻结策略，就好比本次任务中VGG-16的低层卷积负责提取通用视觉特征，中层卷积负责局部结构识别，高层卷积和全连接层负责任务特定语义分类。因此迁移学习中要冻结features部分并重点训练classifier部分，使模型能快速适应新的任务。
2025-11-21 20:29:16
825
原创 第P5周：Pytorch实现运动鞋识别
实验要求了解如何设置动态学习率（重点）调整代码使测试集accuracy到达84%。拔高（可选）：保存训练过程中的最佳模型权重调整代码使测试集accuracy到达86%。实验环境在本次模型构建中，我首先在网络结构方面进行了系统性优化：将卷积块从2个增至3个以加深网络深度，通过层次化特征提取增强模型的表征能力；通道数采用32→64→128的渐进式扩展策略，在保持计算效率的同时逐步增强特征表达能力；
2025-11-05 21:39:39
907
原创 第P4周：猴痘病识别
实验要求训练过程中保存效果最好的模型参数。加载最佳模型参数识别本地的一张图片。调整网络结构使测试集accuracy到达88%（重点）。环境版本在本次模型构建中，我首先在网络结构方面，将卷积块从2个增至3个以加深网络深度，通道数采用32→64→128的渐进式扩展策略增强特征表达能力，同时使用更小的3×3卷积核配合padding来保持特征图尺寸并提升参数效率；其次在训练策略上，优化器选择自适应学习率的Adam，因为Adam适用性广并且调参简单，同时将学习率调整为3e-4以平衡收敛速度与稳定性。
2025-10-30 23:25:05
773
原创 第P3周：Pytorch实现天气识别
实验要求本地读取并加载数据。测试集accuracy到达93%拔高：测试集accuracy到达95%调用模型识别一张本地图片环境版本。
2025-10-24 18:01:07
928
原创 第P2周：CIFAR10彩色图片识别
实验要求学习如何编写一个完整的深度学习程序手动推导卷积层与池化层的计算过程环境版本通过上述学习，通过对卷积层和池化层的输出尺寸计算公式的亲手实现，我每个参数存在的意义有了基本了解，开始对这些参数的调整有了基本认识，这种从公式推导到代码验证的过程，让抽象的概念变得具体而直观。但我对参数调整后对模型的准确率并没有得到显著提高，或许再后续学习过程中我能对调参以及模型结构有更深入地了解。
2025-10-10 19:42:17
841
原创 第P1周：Pytorch实现mnist手写数字识别
实验要求了解Pytorch，并使用Pytorch构建一个深度学习程序了解什么是深度学习环境版本通过上述学习，我对Pytorch框架有了初步了解，并依照源代码对CNN卷积神经网络的构建有了初步认识，掌握了深度学习项目的基本开发流程，但这个模型训练出来并没还有得到实际应用，实际应用的情况尚未可知。此外，虽对代码中所用函数进行了初步认识，但其背后的数学原理尚未啃透，还有待提高。
2025-10-03 17:19:47
799
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