Awesome-Backbones-main——alexnet模型分析

AlexNet作为骨干网络相对较老，可能在复杂数据集上的表现不如一些最新的深度网络结构，如ResNet、EfficientNet等，学习率调整策略中采用了阶梯式学习率更新器，可能并不总是适合所有数据集和模型，需要根据具体情况调整学习率策略。

模型参数：

1. Backbone（骨干网络）:

   • 类型：AlexNet
   • 输出类别数：4

2. Neck:

   • 在配置中未指定，为None

3. Head（头部）:

   • 类型：ClsHead
   • 损失函数：
     • 类型：CrossEntropyLoss
     • 损失权重：1.0

4. 数据处理:

   • 图像归一化参数：
     • 均值：[123.675, 116.28, 103.53]
     • 标准差：[58.395, 57.12, 57.375]
     • 是否转为RGB格式：True

5. 训练参数:

   • 批量大小：8
   • 训练数据加载器的工作线程数：4
   • 是否使用预训练权重：False
   • 是否冻结特定层：False
   • 要冻结的层：('backbone',)
   • 训练周期数：100

6. 测试参数:

   • 检查点路径：''
   • 评估指标：准确率、精确率、召回率、F1分数、混淆矩阵
   • 评估指标选项：
     • topk：(1, 2)
     • thrs：None
     • 平均模式：'none'

7. 优化器参数:

   • 类型：SGD
   • 学习率：0.001
   • 动量：0.9
   • 权重衰减：1e-4

8. 学习率调整配置:

   • 类型：StepLrUpdater
   • 调整步数：每15个周期调整一次学习率

图1：

 让batch-size缩小一倍：

图2：

图二数据损失对比图一更加平滑，且下降梯度更大，速度更快，下降过程中方向调整更为敏感。

但在拟合过程中ACC全局波动更大