<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Davis666的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Davis666</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Davis666]]></copyright><item><title><![CDATA[对简单的卷积神经网络进行优化（1）]]></title><link>https://blog.youkuaiyun.com/Davis666/article/details/152465298</link><guid>https://blog.youkuaiyun.com/Davis666/article/details/152465298</guid><author>Davis666</author><pubDate>Fri, 03 Oct 2025 23:07:59 +0800</pubDate><description><![CDATA[接上篇文章，我们使用了一个简单的神经网络去训练了cifar-10数据集，如果增加模型的复杂性，让模型进行更多次的卷积操作，会发生什么情况？1.对数据进行预处理。包括对原始数据集进行分类，分为验证集和训练集。对要训练的数据集做统一的操作，方便模型训练。在这段代码中，我们使用了四组卷积对图像进行处理，可以对比上篇文章的简单CNN模型架构，发现有什么不同？2.核心步骤（代码）：搭建自己的神经网络框架。从简单到复杂的模型对数据进行训练，得出结果，调整模型。]]></description><category></category></item><item><title><![CDATA[搭建简单的卷积神经网络进行分类]]></title><link>https://blog.youkuaiyun.com/Davis666/article/details/152408247</link><guid>https://blog.youkuaiyun.com/Davis666/article/details/152408247</guid><author>Davis666</author><pubDate>Thu, 02 Oct 2025 21:50:17 +0800</pubDate><description><![CDATA[本文构建了一个简单卷积神经网络(CNN)对CIFAR-10数据集进行分类。采用224×预处理归一化图像，网络结构包含两层卷积(ReLU和MaxPooling)和全局平均池化层，最后接两个全连接层输出分类结果。训练过程中使用交叉熵损失函数和优化器，并在每个epoch后在验证集上评估模型性能，保存最佳准确率模型。实验表明，该简单CNN结构能有效实现图像分类任务。]]></description><category></category></item></channel></rss>