计算机真好丸-CSDN博客

原创第P8周：YOLOv5-C3模块实现

本周学习了解了YOLOv5中的C3模块，通过代码深入了解了C3模块的结构：C3 模块• C3 模块是 YOLOv5 中用来替代标准残差块（Residual Block）的模块，它集成了多层 Bottleneck 结构，并通过 concat（拼接）操作将不同层的特征融合在一起。Bottleneck 子模块• Bottleneck 子模块内部包含了两个卷积层，并且有一个“shortcut”路径（残差路径）。

2024-09-04 09:03:14 509

原创第P7周：马铃薯病害识别（VGG-16复现）

本周学习了自己搭建VGG-16网络框架，更加深入了解了VGG-16网络结构。本周学习搭建的的VGG-16网络框架计算量偏大（Total params:134,272,835），训练时间较长，目前暂未发现不影响准确率的前提下轻量化模型的方法。

2024-08-30 16:11:52 300

原创第P6周：VGG-16算法-Pytorch实现人脸识别

1.本周主要学习了解了VGG16模型，调用官方的VGG16模型。2.学习了迁移学习，学会了如何训练一部分别人预先训练好的模型。3.学习了如何保存最佳模型和模型评估。4.本周的项目在使用了Adam优化器后，一直存在过拟合的问题。在尝试了在VGG16模型的classifier中加入dropout层，使用数据增强，修改动态学习率，在优化器中加入L2权重衰减（L2正则）均为成功解决，后续仍需进行进一步的研究。

2024-08-23 14:25:30 888

原创第P5周：运动鞋品牌识别

分析原因，有可能是因为学习率过大或者是因为学习率衰减速度过快（比如每2个 epoch 就降低），模型可能会过早进入一个局部最优解，而不能充分利用数据进行学习。本周主要学习了动态学习率的设置，动态学习率即在训练过程中，根据某种策略自动调整学习率，这种方法可以使模型加速收敛和陷入局部最优解。等间隔动态调整方法，每经过step_size个epoch，做一次学习率decay，以gammma值为缩小倍数。1.可以等间隔设置衰减，即在经过规定的epoch后根据设定的参数进行衰减。在特定的epoch中调整学习率。

2024-08-16 20:46:43 361

原创第P4周：猴痘病识别

原因分析：可能是由于模型感受野的减小，3乘3卷积核单次卷积操作中捕获的图像信息范围相较于5*5有所减小，因此模型对较大或全局特征的捕获能力不足。2.我们在尝试减小卷积核时，理论上是可以通过小的卷积核来更细致地捕捉图像的局部特征。但是同时模型感受野会减小，从而导致模型对较大或全局特征的捕获能力不足，最终影响分类性能。同时有可能模型结构比较简单，加入 Dropout 后模型的表达能力不足，因此影响了其在测试集上的表现。原因分析：可能是增加卷积核数量后模型复杂度升高，而数据集规模不是很大，从而导致了过拟合。

2024-08-09 21:48:52 238

原创第P3周：Pytorch实现天气识别

该方法将总体数据total_data按照指定的大小比例（[train_size, test_size]）随机划分为训练集和测试集，并将划分结果分别赋值给train_dataset和test_dataset两个变量。由第一次结果可以看出test_acc的结果只能达到90%，而训练集的表现比较可观，为了提升测试集准确性，可以尝试使用Adam优化器并且引入L2正则化来解决。另外，还可以使用数据增强来提高模型泛化能力，即对训练数据进行随机变换来增加其多样性。通过训练，test_acc获得提升，基本可以到达93%。

2024-08-02 20:53:03 282

转载第P2周：CIFAR10彩色图片识别

详细了解了torch.nn.Conv2d()(卷积层)，torch.nn.Linear()(全联接层)，torch.nn.MaxPool2d()(池化层)等函数的用法，同时详细了解了卷积层和池化层的相关计算包括卷积层的整体运算过程，输出shape和运算量，池化层的输出shape。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器。

2024-07-26 14:24:57 18

转载第T1周：实现mnist手写数字识别

对于一般的CNN网络，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。nn.Liner为全连接层，可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数字。函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的提督设置为0，即上一次的梯度记录被清空。nn.Conv2d为卷积层，用于提取图片的特征，传入参数为输入channel，输出channel，池化核大小。二、构建简单的CNN网络。

2024-07-21 22:11:16 30

weixin_52447211的博客