图像识别技术与应用第十三课

一、集成算法的简介
1、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。
2、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。
 
3、综合策略
（1）简单平均法
 
（2）加权平均法
  

4、集成学习的结果通过投票法产生?即“少数服从多数”
 
二、使用模型 
1、完成必要库的导入和一些重要超参数的定义。
 
这段代码主要是为了在PyTorch框架下进行深度学习任务，可能是图像分类（从导入 torchvision 及相关操作推测，且MNIST是经典图像分类数据集），定义了一些超参数，并导入了一系列必要的库。
2、定义一个名为 CNNNet 的卷积神经网络（Convolutional Neural Network，CNN）模型类
 
这段代码定义了一个简单的卷积神经网络模型，包含卷积层、池化层和全连接层，通过 forward 方法实现了数据在网络中的前向传播过程，可用于图像分类等计算机视觉任务。
3、定义一个名为 Net 的神经网络类
 
这段代码定义了一个包含卷积层、池化层、自适应平均池化层和全连接层的神经网络模型，通过 forward 方法实现了数据在网络中的前向传播过程，适用于图像分类等任务。
4、定义一个名为 LeNet 的神经网络类，基于经典的LeNet - 5架构进行实现
 
这段代码定义了一个包含卷积层、池化层和全连接层的神经网络模型，通过 forward 方法实现了数据在网络中的前向传播过程，适用于图像分类等任务，是对经典LeNet - 5架构在PyTorch框架下的一种实现。
5、实现VGG（Visual Geometry Group）神经网络模型，VGG是一种在图像分类等计算机视觉任务中广泛使用的深度卷积神经网络架构。
 
这段代码通过模块化的方式构建了VGG神经网络模型，包括特征提取层和分类器，实现了前向传播过程，适用于图像分类等计算机视觉任务。
6、完成深度学习任务中数据准备和模型初始化的相关工作
 
这段代码主要是为深度学习任务做前期准备，包括确定计算设备、对CIFAR - 10数据集进行预处理和加载，以及初始化多个不同结构的神经网络模型，为后续的模型训练和评估奠定基础。
三、集成方式
1、实现多模型集成训练与评估的功能。
 
代码实现了多个神经网络模型的联合训练，并在测试集上对这些模型进行评估，同时采用投票法（基于众数）实现模型集成，以提高预测的准确性和稳定性。
2、主要围绕VGG16模型（ net4 ）进行训练和测试评估
 
这段代码主要实现了VGG16模型在CIFAR - 10数据集上的训练和测试评估过程，通过训练不断优化模型参数，并在测试集上评估模型的性能表现。