OpenCV 的主要特点跨平台：支持 Windows、Linux、macOS、Android 和 iOS。多语言支持：支持 C++、Python、Java 等编程语言。丰富的功能：包括图像处理、视频分析、特征检测、目标跟踪、机器学习等。高效性能：基于 C/C++ 实现，性能优越，适合实时应用。开源免费：遵循 BSD 许可证，可以免费用于商业和研究用途。

本项目使用的食物图像数据集包含20类不同的食物，如八宝粥、巴旦木、白萝卜等。数据集分为训练集和测试集，分别用于模型的训练和评估。每类食物都有一定数量的图像样本，这些图像涵盖了不同角度、光照条件下的食物外观，为模型的训练提供了丰富的多样性。nn.Conv2d(stride=1,padding=2,),nn.ReLU(),nn.ReLU(),nn.ReLU()定义了一个名为CNN的类，继承自nn.Mo

MNIST数据集是深度学习领域经典的入门数据集，包含70,000张手写数字图像，其中60,000张用于训练，10,000张用于测试。这些图像均为灰度图，尺寸是28x28像素，并且已经做了居中处理，这在一定程度上减少了预处理的工作量，能够加快模型的训练和运行速度。nn.Conv2d(stride=1,padding=2),nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU()

OpenCV 中的人脸检测主要基于 Haar 级联分类器。Haar 级联分类器是一种基于机器学习的目标检测方法，它使用 Haar 特征来描述目标的外观，并通过级联结构来快速排除非目标区域。Haar 特征：Haar 特征是一种简单的矩形特征，它通过计算图像中不同区域的像素值差异来描述图像的局部特征。常见的 Haar 特征包括边缘特征、线性特征和中心特征等。积分图：为了快速计算 Haar 特征，Ope

loss_fn=nn.CrossEntropyLoss() #创建交叉熵损失函数对象，因为手写字识别中一共有10个数字，输出会有10个结果optimizer=torch.optim.Adam(model.parameters(),lr=0.01) #创建一个优化器# #params:要训练的参数，一般我们传入的都是model.parameters()# lr:learning_rate学习率，也就

保存最优模型是深度学习项目中不可或缺的环节。通过合理选择保存方式，我们可以更好地管理和利用训练好的模型。在食物图像分类的案例中，我们展示了两种常见的保存模型的方法，并分析了它们的优缺点和适用场景。在实际项目开发中，开发者应根据具体情况灵活运用这些方法，确保模型能够在后续的应用中发挥最佳性能，推动深度学习技术在各个领域的落地与发展。

loss_fn=nn.CrossEntropyLoss() #创建交叉熵损失函数对象，因为手写字识别中一共有10个数字，输出会有10个结果optimizer=torch.optim.Adam(model.parameters(),lr=0.01) #创建一个优化器# #params:要训练的参数，一般我们传入的都是model.parameters()# lr:learning_rate学习率，也就

from torch.utils.data import Dataset,DataLoader #用于处理数据集data_transforms = {#字典'train':transforms.Compose([#对图片做预处理的，组合transforms.Resize([256,256]),#数据进行改变大小transforms.ToTensor(),#数据转换为tensor，默认把通道维度放在

CBOW（Continuous Bag-of-Words）模型是一种用于生成词向量的神经网络模型，它基于上下文预测目标词。其核心思想是：给定一个目标词的上下文单词，通过模型预测该目标词。在训练过程中，模型会不断调整参数，使得预测结果尽可能接近真实的目标词，最终训练得到的词向量能够捕捉单词之间的语义关系。

逻辑回归是一种预测分类结果的线性模型。它使用逻辑函数（通常是Sigmoid函数）来将线性模型的输出转换为概率。逻辑回归的目标是最小化预测概率和实际标签之间的误差，这通常通过梯度下降等优化算法实现。在许多实际应用中，数据集往往是不平衡的，即某些类别的样本数量远多于其他类别。这种不平衡可能导致模型偏向于多数类，从而影响少数类的预测性能。下采样是一种处理不平衡数据集的方法，通过减少多数类的样本来平衡数据