Datawhale AI 夏令营-DeepFake学习笔记01

模型：预训练的ResNet18模型

预训练：

指在特定的大型数据集（如ImageNet）上预先训练好的神经网络模型。这些模型已经学习到了丰富的特征表示，能够识别和处理图像中的多种模式。

ResNet网络：

的核心思想是引入了“残差学习”框架，通过添加跳过一层或多层的连接（即残差连接或快捷连接），解决了随着网络深度增加时训练困难的问题。

网络训练流程：

1.前向传播：通过output = model(input)进行前向传播，计算模型对输入数据的预测。

2.计算损失：使用损失函数loss = criterion(output, target)计算预测输出和目标标签之间的差异。

3.梯度归零：在每次迭代开始前，通过optimizer.zero_grad()清空（重置）之前的梯度，以防止梯度累积。

4.反向传播：调用loss.backward()计算损失相对于模型参数的梯度。

5.参数更新：通过optimizer.step()根据计算得到的梯度更新模型的参数。

一些改进方向：
1.数据集增强

应用一系列随机变换来增加训练数据的多样性，从而提高模型的泛化能力。对原始图像进行如旋转、缩放、翻转等操作，可以生成新的训练样本，使模型学习到更丰富的特征表示。

transforms.Compose()

2.更换模型

比如使用新更先进的模型，效果可能更好一些。