PyTorch深度学习实战（6）——神经网络性能优化技术

盼小辉丶

已于 2025-11-13 13:48:09 修改

阅读量8.6k

点赞数 103

CC 4.0 BY-SA版权

分类专栏： PyTorch深度学习从入门到项目实战文章标签： pytorch 人工智能深度学习

于 2023-07-25 07:07:58 首次发布

本文链接：https://blog.csdn.net/lovemy134611/article/details/131507450

PyTorch深度学习从入门到项目实战专栏收录该内容

62 篇文章 ¥29.90 ¥99.00

订阅专栏

PyTorch深度学习实战（6）——神经网络性能优化技术

0. 前言

我们已经学习了神经网络的基础概念，并了解了如何利用 PyTorch 库构建神经网络模型。同时我们还提到了，有多种超参数可以影响神经网络的准确率。在本节中，我们将使用 Fashion MNIST 数据集，用于构建神经网络模型执行图像分类任务，并对比使用不同参数训练模型的性能差异。

1. 数据准备

1.1 数据集分析

Fashion MNIST 数据集是一个用于图像分类任务的经典数据集，它包含了 10 个类别的时尚服饰图像。每个样本都是一张 28x28 像素的灰度图像，总共有 60000 个训练样本和 10000 个测试样本。由于其简单易用的特点，Fashion MNIST 数据集已经成为学术界和研究人员常用的基准数据集之一，可以用于验证图像分类算法的性能。