图像识别技术与应用课后总结（15）

网络构建：定义了 CNNNet 和 Net 两个类构建卷积神经网络，网络包含卷积层、池化层和全连接层 ，前者网络还计算并输出了总参数数量。

训练模型：设置随机梯度下降（SGD）优化器和交叉熵损失函数，通过多轮迭代（epoch）对网络进行训练，在训练过程中每2000个小批量（mini - batches）打印一次损失值。

测试模型：分别计算了网络在10000张测试图像上的整体准确率，以及各个类别（如plane、car、bird等）的分类准确率。

模型定义：定义了多个CNN模型类，如 Net 、 CNNNet 、 LeNet 、 VGG  。 Net 模型采用了自适应平均池化层； CNNNet 模型包含常规的卷积层、池化层和全连接层； LeNet 是经典的卷积神经网络架构； VGG 模型根据配置字典 cfg 动态构建网络结构，有 VGG16 和 VGG19 两种配置 。

模型参数统计：通过 sum(x.numel() for x in net.parameters()) 计算模型总参数数量；还定义了 paras_summary 函数，用于像Keras一样显示模型各层的参数信息，包括输入输出形状、可训练性和参数数量等。

数据处理与加载：导入CIFAR10数据集，对训练集和测试集分别进行数据增强（训练集）和归一化等预处理操作，然后使用 DataLoader 加载数据。

模型训练：设置超参数如批量大小（ BATCHSIZE ）、学习率（ LR ）、训练轮数（ EPOCHES ）等，定义交叉熵损失函数和随机梯度下降（SGD）优化器，通过多轮迭代训练模型，并在训练过程中记录和打印损失值。

数据处理：使用 torchvision.datasets 中的 MNIST 加载手写数字数据集，利用 transforms.Compose 组合数据转换操作，如归一化 Normalize 和转张量 ToTensor ，并通过 DataLoader 创建数据加载器，方便批量处理数据。

模型构建：定义了 Net 类构建神经网络，包含展平层 Flatten 、线性层 Linear 、批量归一化层 BatchNorm1d ，使用 ReLU 作为激活函数，输出层用 softmax 。还介绍了其他如 VGG 等不同结构的卷积神经网络模型。

模型训练：设置训练的超参数，如学习率、训练轮数、批量大小等。定义交叉熵损失函数 CrossEntropyLoss 和优化器（如 SGD 、 Adam ） 。在训练过程中，包括梯度清零、正向传播、计算损失、反向传播和参数更新等步骤，并动态调整学习率，记录训练和测试的损失值与准确率。

模型评估：训练完成后，在测试集上评估模型性能，通过计算预测结果与真实标签的匹配情况得出准确率。同时，还对源数据进行可视化，展示部分测试集图像及其真实标签。

集成方法：采用类似投票机制的模型集成方法，将多个模型组合，在训练和测试时对多个模型的结果进行综合处理，以提高整体预测的准确性 。