apwpasy的博客

本周先用pytorch来实现YOLOv5-C3的模块，提前熟悉一下YOLO，虽然YOLO各路大神版本很多，但是V5很稳定，还是很有必要学习学习的。任务是天气分类。提问：是否可以调整C3和Conv块来提高准确率？

原因分析先检查了自己搭建的VGG16，发现与官方的略有不同，classifier的结构不同，在每个Relu激活函数后没有dropout层，但是官方的有。# 加载预训练模型,并对模型进行微调param.requires_grad = False#冻结模型参数，这样在训练时只训练最后一层的参数# 修改classifier的最后一层提精度尝试1：动态损失，最高精度90.7%

更新学习率（使用自定义学习率时使用）scheduler.step() # 更新学习率（调用官方动态学习率接口时使用）# 保存最佳模型到 best_modelbest_model = copy.deepcopy(model) #这里保存的是最佳模型的深拷贝，如果 model 已经在 GPU 上，那么 best_model 也会在 GPU 上# 获取当前的学习率# 保存最佳模型到文件中PATH = './best_model.pth' # 保存的参数文件名修正后的代码如下。

● 第一步：使用pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。● 第二步：使用glob()方法获取data_dir路径下的所有文件路径，并以列表形式存储在data_paths中。● 第三步：通过split()函数对data_paths中的每个文件路径执行分割操作，获得各个文件所属的类别名称，并存储在classeNames中● 第四步：打印classeNames列表，显示每个文件所属的类别名称。

本次实验除了以前的内容新增了2个功能：指定图片预测和保存并加载模型。除此之外，还可以调整结构使得测试集acc不小于0.88。

和p2差不多，熟悉一下pytorch使用。

今天的pytorch的基本用法有：1.torch.utils.data.DataLoader()加载数据2.构建简单的CNN网络对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。torch.nn.Conv2d()详解关键参数说明：● in_channels ( int ) – 输入图像中的通道数● out_channels ( int ) – 卷积产生的通道数。

初识pytorch

不同优化器对模型的影响

相对于同专栏的前几篇文章，本文即包含了如何使用 tf.keras.preprocessing.image_dataset_from_directory 从文件系统中加载图像数据，并将其分为训练集、验证集和测试集，又包含了数据增强即其使用方式。

在每次迭代中，train_loss 和 train_accuracy 都会被重新赋值为当前 batch 的损失和准确率。由于这些变量是 单个标量，而不是列表或数组，因此它们不会累积每个 batch 的值，而是每次都直接覆盖为最新的值当 epoch 结束时。

这期的任务是：要求：拔高（可选）：3. 验证集准确率达到100%4. 使用PPT画出VGG-16算法框架图（发论文需要这项技能）5.探索（难度有点大）6. 在不影响准确率的前提下轻量化模型○ 目前VGG16的Total params是134,276,9322.自建模型关于卷积的相关知识可以参考文章：https://mtyjkh.blog.youkuaiyun.com/article/details/114278995结构说明：● 13个卷积层（Convolutional Layer），

本次任务最高的准确率可以达到41.667%，未选择使用VGG-16网络框架（自己搭建or调用）来实验。

本次任务就是对45-data目录下的2类图片进行二分类。关于数据集划分成训练和验证集是否会有相同的样本？在代码中，train_ds和val_ds是从同一个目录data_dir中创建的两个数据集，分别用于训练和验证。这两个数据集是通过函数来创建的，并且都指定了参数，这意味着整个数据集中有 20% 的数据将被用作验证集，剩下的 80% 将被用作训练集。关键点在于subset对于train_ds表示该数据集是从训练子集中抽取的。对于val_ds表示该数据集是从验证子集中抽取的。

Dropout 是一种常用的正则化技术，用于防止模型过拟合。通过在训练过程中随机丢弃一部分神经元，Dropout 可以提高模型的泛化能力。

CIFAR-10是一个广泛使用的图像分类数据集，包含60,000个32x32彩色图像，分为10个类别，每类有6,000张图像。这些图像被分为50,000个训练图像和10,000个测试图像。本周任务是分类。