神经网络组植物分类具体课程学习规划02

2301_79726734

已于 2025-05-28 21:42:32 修改

阅读量760

点赞数 13

文章标签：神经网络分类学习

于 2025-05-28 21:14:06 首次发布

本文链接：https://blog.csdn.net/2301_79726734/article/details/148291678

版权

一、周志华机器学习起步（易理解，课时短）

课程链接：

http://【周志华老师亲讲-西瓜书全网最详尽讲解-1080p高清原版《机器学习初步》】https://www.bilibili.com/video/BV1gG411f7zX?vd_source=07776bcd40f076b709f6cff52aac2717

二、PyTorch 实战与调优（《我是土堆》重点学习内容）

1.必须掌握的课程核心内容（优先级最高）

学习目的：掌握数据加载（Dataset、DataLoader）、CNN 构建（卷积层、池化层）、训练流程（损失函数、优化器）。

直接用预训练模型（如 ResNet50）微调，快速实现分类功能。

(1)数据处理（直接关联无人机数据）

P6. Dataset 类代码实战
掌握自定义数据集，适配无人机图像格式（如 GeoTIFF、JPEG）。
P9. Transforms 的使用（全部）
学习数据增强（如旋转、缩放、亮度调整），解决航拍图像的视角变化问题。
P12. DataLoader 的使用
实现高效批处理，提高训练速度。

(2) CNN 模型构建（核心技术）

P13-18. 神经网络层讲解（卷积层、池化层、激活函数等）
理解 CNN 的基本组件，这是图像分类的核心。
P19. 搭建小实战和 Sequential 的使用
动手实现简单 CNN，熟悉模型结构。
P26. 现有网络模型的使用及修改
直接调用预训练的 ResNet/VGG，通过迁移学习快速适配无人机数据。

(3)模型训练与评估（跑通代码的关键）

P20-22. 损失函数、优化器、训练循环
掌握交叉熵损失、Adam 优化器，实现完整的训练流程。
P23. 利用 GPU 训练
加速训练过程（若有 GPU 资源）。
P25. 完整的模型验证套路
计算准确率、精确率等指标，评估模型性能。

附：

主要学习的课程截图：

课程链接：

http://【PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】】https://www.bilibili.com/video/BV1hE411t7RN?vd_source=07776bcd40f076b709f6cff52aac2717

2.可选择性学习的内容（优先级中等）

P1-2. 环境配置
若已完成 PyTorch 环境搭建，可跳过。
P7-8. torchvision 数据集
作为练习可参考，但最终需转向无人机数据。
P24. 模型保存与读取
完成训练后再学习，不影响代码跑通。
P27. 开源项目
学有余力时参考，了解工程化实现。

3.可暂时跳过的内容（优先级低）

P3-4. Python 编辑器配置
若已熟悉 PyCharm 等工具，可跳过。
P10-11. 其他 Transforms
非核心功能，可在需要时再学习。
P28-30. 目标检测、分割等高级任务
超出当前 “分类” 任务范围。

三、选择性补充李宏毅的实战部分（1 周内）

1.学习目的：

CNN和图像分类部分

架构选择：李宏毅会对比不同 CNN 架构的优缺点，选择最适合无人机数据的模型（如 MobileNet 适合边缘设备部署）。
调参技巧：提供学习率、批量大小等超参数的经验法则，避免盲目尝试。
问题诊断：讲解过拟合、欠拟合的现象和解决方案，提高模型稳定性。

2.优先重点学习（李宏毅课程对应章节）

（1）CNN 架构理解相关

卷积网络参数定义：明确卷积网络里各类参数（如卷积核大小、数量等）含义与设定方式，利于搭建或调整适合无人机数据的 CNN 模型。

网络流程解读：透彻掌握神经网络运行流程，更好理解模型处理无人机图像机制。

Resnet 论文解读、Resnet 网络架构解读：深入剖析 ResNet 架构细节，ResNet 是常用预训练模型基础，便于借助迁移学习处理无人机数据。

李宏毅课程中关于 ResNet/VGG 架构设计部分（对应CNN 专题）：理解不同网络架构特点，知晓其适配航拍数据原因，如 ResNet 残差连接优势。

（2）数据处理相关

分类任务数据集定义与配置：学会针对分类任务合理定义、配置无人机图像数据集。

图像增强的作用、数据预处理与数据增强模块：掌握图像增强手段及原理，增加无人机图像数据多样性，提升模型泛化力。

Batch 数据制作：掌握批量数据制作方法，提升数据加载与训练效率。

（3）训练优化相关

迁移学习的目标、迁移学习策略：了解迁移学习原理和实施策略，利用预训练模型加速无人机数据分类模型训练。

优化器模块配置：熟悉不同优化器特性与配置，选合适优化器提升训练效果。

实现训练模块：学习完整训练模块搭建，保障正确训练无人机数据分类模型。

训练结果与模型保存：掌握保存训练成果和模型方法，方便后续评估与使用。

加载模型对测试数据进行预测：学会加载训练好的模型并对无人机测试数据预测，完成分类全流程。

李宏毅课程中训练技巧部分（对应图像分类）：学习如学习率调整、早停法等技巧，应对训练中过拟合、不稳定问题。

（4）暂不学习（与分类任务关联小）

围绕目标检测算法（如 YOLO ）的相关内容，包括 IOU 指标计算、mAP 指标计算、YOLO 算法整体思路解读、检测算法要得到的结果、整体网络架构解读、位置损失计算、置信度误差与优缺点分析，以及 V2、V3 版本细节改进等内容。这些主要用于目标检测任务，和当前分类任务核心目标差异大，现阶段可先搁置。

课程链接：

【【2025版】李宏毅机器学习系列课程！涵盖机器学习，深度学习、神经网络算法、强化学习、计算机视觉、自然语言处理、大模型等多个人工智能核心知识点！就怕你学不会！】https://www.bilibili.com/video/BV1YsqSY8EiW?vd_source=07776bcd40f076b709f6cff52aac2717