TOMWilliamLIN的博客

ResNet-50 算法实战与解析

初步了解多分类任务

Backbone 模块的作用Backbone 模块的主要作用是从输入图像中提取丰富的语义特征信息，为后续的目标检测任务提供有价值的特征表示。在 YOLOv5 中，Backbone 模块将输入图像映射到一个高维的特征空间，捕捉图像中的低级特征（如边缘、纹理等）和高级语义特征（如物体部件等）。这些特征信息对于准确检测和识别目标物体至关重要。Backbone 模块的内部结构。

YOLOv5-C3模块实现

复现Vgg16 模型

在本次实战中，主要学习Vgg16 网络结构的组成部分以及网络参数，但是在整个训练的过程中，模型表现的不是很好最高的test_acc 在16.1%以至于在指定预测图片时预测失败。更改参数将优化器SGD更改为Adam 再次训练下面是训练过程中变化预测结果：Angelina Jolie在更改完优化器之后，模型的表现有了很大进步test_acc最高达到了41.1%指定但还没有达到实战测试集准确率的要求更改初始学习率为1.5 并增加epoch 次数Done。

Pytorch实现运动鞋识别，并且使用动态学习l

使用Pytorch 实现猴痘病识别

本次实战中，实现对天气识别的神经网络，并且学会了如何将训练好的模型进行保存，然后调用训练好的模型对本地图片进行识别。

在本次实现中，了解了CNN最主要的组成部分，并掌握了神经网络程序的整个流程：选择模型-> 构建网络层 -> 编译 -> 训练 -> 预测。

本次实现中，重点关注于CNN 中的卷积层，池化层，以及一些参数的作用，并且进一步去了解了卷积和池化的计算过程和其背后的运作原理。%201%201。