该类通过文本文件（如train2.txt）加载图片路径和标签。使用交叉熵损失函数处理多分类任务，优化器为Adam。模块作用特点ResNet18特征提取主干使用 ImageNet 预训练权重Dataset读取图片与标签支持 transform 自动增强DataLoader批量化输入shuffle 提升训练效果train()前向传播与反向传播更新梯度Test()模型评估计算平均损失与准确率学习率调整自

dlib是一个 C++ 开发的开源机器学习与图像处理库，提供了众多计算机视觉功能，例如：人脸检测（HOG + 线性分类器 / CNN）人脸关键点定位（68 点、5 点模型）人脸对齐与识别机器学习算法（SVM、KNN、聚类等）本文使用 dlib 的HOG (Histogram of Oriented Gradients) + 线性分类器人脸检测器，速度快且对普通电脑 CPU 友好。通过本文，你学会了

dlib是一个用 C++ 编写、功能强大的机器学习与图像处理开源库，提供了人脸检测、人脸关键点识别、人脸对齐、人脸识别等功能。与 OpenCV 的 Haar 级联分类器相比，dlib的人脸检测器默认使用HOG + 线性分类器 + 图像金字塔 + 滑动窗口方法，具有更高的准确率和更强的泛化能力。检测精度更高：比 OpenCV Haar 分类器更稳定，误检更少。支持小人脸检测：可通过上采样提高对小人脸

数据增强是指在保持数据标签不变的前提下，对原始训练数据施加各种随机或确定性的变换，生成新的训练样本。不改变数据本质语义，通过数据的多样化让模型具备更强的鲁棒性与泛化能力。例如，在图像识别中，一张猫的照片进行旋转、翻转或颜色调整后，仍然是一只猫，因此这些操作可以生成更多有效训练样本。数据增强是深度学习中不可或缺的手段，它能在数据有限的情况下显著提升模型表现。无论是图像、文本还是语音，合理的数据增强都

当任务复杂、对收敛要求特殊时，可以设计自定义学习率调整策略。return 1.0return 0.1else:在 Keras、PyTorch Lightning 等框架中，可自定义回调函数，在训练过程中动态控制学习率。如：损失振荡时降低，损失稳定时保持。把各种学习率调整方法的调用方式全部整理出来，分别给出PyTorch和两种框架的示例。这样可以一目了然，直接套用。

通过本案例你学到了：🔹 如何使用构建回归模型🔹 如何提取模型的系数与截距，解释变量关系🔹 如何使用 R²、MAE、MSE、RMSE 评估回归模型🔹 模型如何应用于新样本预测。

2.点击你的用户名字（每个人用户名字不同，比如我的就是”86198“，也有人是中文的），打开”环境变量“，有”用户变量“的path和”系统变量“的path。这里是有优先级的，”系统变量“的path 优先级比 ”用户变量“的path的高。

ResNet 的核心思想：通过残差学习和快捷连接解决深层网络的退化问题。残差模块：基础块（BasicBlock）和瓶颈块（Bottleneck）。效果：ResNet 让网络层数从几十层突破到上百层，极大推动了深度学习的发展。应用：几乎所有计算机视觉主流模型都与 ResNet 有关。

1. 配置参数ROOT_DIR = 'vegetables_cls' # 修改为你的实际路径'bocai','huluobo','xilanhua'项目根目录│每个.txt文件存储图像路径及其标签，例如：ROOT_DIR：数据根目录，包含训练、验证、测试图像。：共 6 种蔬菜类别。DEVICE：自动检测是否可用 GPU 加速。通过CLASSES数组定义类别名。# 2. 自定义 Dataset# 读

''' 定义神经网络 类的继承这种方式'''nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),nn.ReLU(),模型结构说明：输入1*28*28（64 张图片作为一个批次。故*1*28*28）conv1：卷积 + ReLU + 池化 → 输出16*14*14conv2：多层卷积 + ReLU + 池化 → 输出32*7*7conv3：卷积层 →