图像识别技术与应用学习总结

1 机器学习

2 集成算法的简介

对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断好。

集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务等。

• 结合策略

①简单平均法 

 ②加权平均法

集成学习的结果通过投票法产生?即“少数服从多数”。

 

实训

• 先导入PyTorch及相关工具库，涵盖神经网络构建、优化器、数据处理等功能模块。
• 接着定义超参数，如批量大小、是否下载MNIST数据集、训练轮数和学习率。

•  定义名为CNNNet的卷积神经网络类。 
• __init__ 方法初始化卷积层、池化层和全连接层，构建网络架构；
•  forward 方法确定数据前向传播路径，依次经过卷积、激活、池化和全连接操作。

• 初始化函数中定义了卷积层、池化层、自适应平均池化层和全连接层。
• 前向传播函数则规定了数据流经各层的运算顺序，通过卷积、激活、池化等操作处理输入数据。

•  定义经典的LeNet神经网络模型类。 
• __init__ 方法初始化卷积层和全连接层，构建基础架构；
•  forward 方法描述数据前向传播流程，依次经过卷积、激活、池化和全连接操作。

•  代码构建了VGG神经网络。先通过字典 cfg 定义VGG16和VGG19的网络结构参数。 
• VGG 类中， __init__ 方法依据传入名称构建特征提取层和分类层； 
• _make_layers 方法按配置创建具体网络层； 
• forward 方法规定数据前向传播路径。

•  准备数据和构建模型。
• 先判断设备是否支持CUDA，随后对训练和测试数据分别定义数据变换操作，包括裁剪、翻转、归一化等。
• 加载CIFAR10数据集，创建数据加载器。
• 实例化CNNNet、Net、LeNet和VGG16等多个神经网络模型。

 

 

• 将三个网络模型放入列表，使用Adam优化器和交叉熵损失函数进行训练。
• 清除梯度、前向传播计算损失并反向传播更新参数。
• 各模型进行预测，通过投票机制确定最终结果，同时计算并输出集成模型及各单个模型在每个训练轮次后的正确率。

• 进行训练与评估。
• 先将模型转移到指定设备，配置Adam优化器和交叉熵损失函数。
• 遍历训练数据，执行梯度清零、前向传播、计算损失、反向传播及参数更新。
• 利用模型预测，统计预测结果并基于投票机制确定最终预测。