数据集中的数字图片是由250个不同职业的人纯手写绘制，包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是 28*28。optimizer.zero_grad()负责清零梯度，loss.backward()负责反向传播，optimizer.step()负责更新权重，这三步操作非常关键。torch.utils.data.DataLoader 是Pytorch

个人总结：这次为了达到测试集准确率的标准，在调整模型的过程中我试过用余弦退火和warmup的方式调节学习率，并对优化器的参数做了很多次改变，试过Adam和SGD，也尝试在模型中添加dropout层，最终用上述方法达到了93%，但是这个准确率也可能具有偶然性，不能每次都达到，后续我再做其他调整也没有办法让准确率达到95%，通过这次模型调优，我对优化器，学习率等有了更深的理解。为了提高准确率，我改变了

个人总结：本周学习了动态学习率，在之前自由探索的基础上，理解起来比较容易。模型调优时，通过改变学习率初值和dropout层位置使测试集准确率达到84%，但依旧存在过拟合。milestones：是一个关于epoch数值的list，表示在达到哪个epoch范围内开始变化，必须是升序排列。step_size：是学习率衰减的周期，每经过每个epoch，做一次学习率decay。gamma：学习率衰减的乘法因

个人总结：本周学习了VGG-16算法，通过代码复现了VGG-16的框架，这是目前学到的层数最多的模型，有13个卷积层和3个全连接层，每个卷积层后面都有激活函数。提高训练集准确率时，我使用了AI给定的代码，使VGG-16网络的前3个卷积块冻结，后面解冻，使训练集的准确率提高到60%以上，不过模型过拟合很严重。2.卷积层的设计：VGG-16的卷积层全部采用3×3卷积核和步长为1的卷积操作，同时在卷积层

用这些组件搭 YOLOv5 主干网络，去掉检测头，改成四分类图像分类模型。主干是backbone模块，负责从原图逐层提取多尺度基础特征，浓缩信息，本周主要对其有了一个初步了解，还需要进一步学习。个人总结：本周使用K同学啊老师的代码探索YOLOv5 6.0算法，上面搭建模型的代码复刻 YOLOv5s v6.0 原版基础组件（● 🍨 本文为🔗365天深度学习训练营中的学习记录博客。二、搭建包括Ba

个人总结：本周使用Pytorch进行车牌识别，在之前的案例中多是使用 datasets.ImageFolder 函数直接导入已经分类好的数据集形成 Dataset ，然后使用 DataLoader 加载 Dataset ，但是本周的车牌数据集无法分类，在加载数据文件时定义了一个MyDataSet加载数据，因此需要将标签数字化，提前记录每张图片的地址以在MyDataSet中加载车牌数据集，将其随机分

个人总结：本周学习了动态学习率，在之前自由探索的基础上，理解起来比较容易。模型调优时，通过改变学习率初值和dropout层位置使测试集准确率达到84%，但依旧存在过拟合。milestones：是一个关于epoch数值的list，表示在达到哪个epoch范围内开始变化，必须是升序排列。step_size：是学习率衰减的周期，每经过每个epoch，做一次学习率decay。gamma：学习率衰减的乘法因

个人总结：本次调优对模型结构和学习率进行更改，其中参考了AI的一些建议，最终达到测试集准确率的要求。在调优过程中，我了解了在没有发生严重的过拟合时，应通过增加卷积层的方式提高学习率，同时提高训练轮次，做完这些测试集准确率达到了83%，然后加上P3调优时学到的动态学习率，这样准确率达到了88%运行后测试集准确率为80.7%，为提高准确率，尝试探索更优的模型结构。2. 加载最佳模型参数识别本地的一张图