- 博客(6)
- 收藏
- 关注
RSS订阅原创 第P6周：VGG-16算法-Pytorch实现人脸识别
1）掌握VGG-16网络基本使用在训练过程中，VGG16一般采用基于随机梯度下降（Stochastic Gradient Descent，SGD）的反向传播算法，通过最小化交叉熵损失函数来优化模型参数。在训练过程中，可以使用数据增强、正则化、dropout等技术来提高模型的泛化能力和鲁棒性。总的来说，VGG16是一个非常经典和有效的卷积神经网络模型，具有良好的特征提取和分类能力，可以应用于图像分类、目标检测等计算机视觉任务。2）层划分输入：224x224的RGB 彩色图像；
2025-07-25 22:35:26
780
原创 深度学习实验--第P5周：Pytorch实现运动鞋识别
本文摘要： 该文记录了深度学习训练营中关于动态学习率设置和模型保存的实验。实验比较了四种学习率调整方法：1)自定义函数94.8%，2)LambdaLR调用97.2%，3)StepLR调用88.4%，4)同参数LambdaLR86.3%。结果表明LambdaLR方法效果最佳。实验使用PyTorch框架，在CPU环境下训练了一个包含5层卷积的CNN模型，用于adidas和nike品牌分类任务。文中详细展示了各方法的实现代码、训练过程指标变化以及最终可视化结果，并提供了模型保存和加载的实现方法。通过40个epoc
2025-06-23 17:31:54
287
原创 深度学习实验--第P4周：猴痘病识别
本文记录了深度学习训练营中关于模型训练与优化的实验过程。实验使用Python3.12和PyTorch1.12.1环境，主要实现了： 训练过程保存最佳模型参数 加载模型进行图片识别 调整网络结构（添加池化层2）和使用动态学习率 实验结果表明：添加池化层2后初始准确率提升3%，但20次训练后反而下降；引入动态学习率后最终准确率达到92%，优于未调整前的86.2%。通过对比不同配置下的训练曲线，验证了网络结构调整和学习率优化对模型性能的影响。最后实现了模型保存/加载功能，并成功应用于单张图片的分类预测。
2025-06-23 16:37:50
265
原创 深度学习实验--第P3周：Pytorch实现天气识别
本文记录了深度学习训练营中的天气分类实验。实验使用PyTorch框架构建CNN网络，对四种天气类型（cloudy、rain、shine、sunrise）进行分类。通过本地加载1125张图像数据，采用ImageNet标准进行归一化处理，并将数据集按8:2比例划分为训练集和测试集。经过20轮训练，模型测试集准确率达到89.3%，成功完成93%准确率的实验目标。实验还详细说明了ImageNet数据集的标准化参数计算方法，并实现了单张图片预测功能。源代码展示了完整的模型构建、训练和评估流程，包括数据预处理、网络结构
2025-06-23 16:27:55
313
原创 深度学习实验--第P2周：CIFAR10彩色图片识别
本文记录了在365天深度学习训练营中构建CNN网络的实验过程。实验使用Python3.12和PyCharm环境，基于torch1.12.1框架完成。网络结构包含3个卷积层和3个池化层用于特征提取，以及2个全连接层用于分类，最终实现10分类任务。经过10个epoch训练，测试准确率达到57.6%，损失降至1.215。实验完整展示了从数据准备、网络构建到训练测试的全流程，包括GPU设置、数据可视化、模型定义（输入尺寸3×32×32，输出10类）和训练曲线绘制等关键步骤。源代码提供了详细的实现细节，可作为CNN入
2025-06-17 10:27:27
267
原创 深度学习实验--第P1周：Pytorch实现mnist手写数字识别
1）遇到问题但软件好像没有提升是否安装好，运行时也发现好多错误提示。2）解决办法安装PyCharm软件，可参考网络上的破解过程，输入序列号激活后。源代码重新按照PyCharm软件有些调整，主要是些打印部分。3）遗留问题构建CNN网络代码部分，不能理解。主要为对神经网络一无所知，后续需要学习补充知识点。4）探索修改训练运行次数，由5次增加到10次，观察准确率有提升，是否次数越多越好呢？目前不明白其中含义，后续学习。
2025-06-11 15:01:26
383
1
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