28,29行代码使用的是所要爬取的图片的qr码，根据图片类型的不同，28.29a行的后缀需要进行相应的更改动图后缀为.gif普通图片为.jpg。将python运行结果复制到text文档中病将后缀改为html，再次点击html 文件即可完成将图片从网站上直接保存到电脑的操作。保存地址的设置在32行需提前在电脑任一有空间的硬盘中创建一个文件夹。使用requests库完成从网站上爬取图片直接保存到电脑。

图像分类的本质是让计算机 “看懂” 图像内容，并根据预设类别完成归类，核心诉求是降低分类误差。随着应用场景对分类精度要求的提升，图像分类任务逐渐形成了从基础到高阶的三层境界，不同境界对应不同的任务难度与特征提取需求。混淆矩阵是所有评估指标的计算依据，其核心是通过 “真实类别” 与 “预测类别” 的交叉计数，展示模型分类结果的准确性。TP（True Positive，真正例）：将正类样本正确预测为正

_init__该代码是 PyTorch 计算机视觉任务的 “入门模板”，涵盖了数据处理标准化、CNN 模型设计、梯度下降训练、泛化能力验证的全流程，核心逻辑可迁移到其他图像分类任务（如 MNIST、Fashion-MNIST）。理解代码中的每个知识点 —— 从transforms的预处理逻辑，到forward的特征流动，再到backward的梯度传播 —— 是掌握深度学习与计算机视觉的关键基础，也

这些技术覆盖了深度学习从 “数据处理→模型设计→训练优化→集成提升” 的全流程，体现了现代深度学习任务的核心实践思路。），将模型与数据迁移到 GPU 上，利用硬件加速深度学习计算，提升训练与推理速度。自动判断是否存在 GPU（

_init__该代码是 PyTorch 计算机视觉任务的 “入门模板”，涵盖了数据处理标准化、CNN 模型设计、梯度下降训练、泛化能力验证的全流程，核心逻辑可迁移到其他图像分类任务（如 MNIST、Fashion-MNIST）。理解代码中的每个知识点 —— 从transforms的预处理逻辑，到forward的特征流动，再到backward的梯度传播 —— 是掌握深度学习与计算机视觉的关键基础，也

表格会将 “数据集参数”“标注格式”“评估指标”“算法分类” 等关键信息汇总，方便你快速查阅和记忆。要不要我帮你整理一份。

图像分割是预测目标轮廓的技术，核心是将图像中不同像素划分到不同类别，属于细粒度的像素级分类任务。

奠定基础，首次实现 “卷积 - 池化 - 全连接” 的架构，解决手写数字识别问题；：突破瓶颈，通过 “更大规模、ReLU、丢弃法” 实现范式转变，适配大规模彩色图像数据集（ImageNet）；VGG（2014）：深化架构，通过 “重复 VGG 块、小卷积核堆叠” 实现网络深度扩展，进一步提升特征提取能力。网络更深、特征提取更高效、参数利用更合理，为后续 ResNet（解决深层梯度消失）、GoogL

1nn.Xxx继承于nn.Module,nn.Xxx需要先实例化并传入数据，然后以调用函数的方式调用实例化的对象并传入输入数据，可以与nn.Sequential结合使用，而nn.functional.xxx无法与nn.Sequential结合使用。3dropout操作在训练和测试阶段是有区别的，使用nn.Xxx方式定义dropout，调用model.eval()后自动实现状态的转换，使用nn.fu

_init__该代码是 PyTorch 计算机视觉任务的 “入门模板”，涵盖了数据处理标准化、CNN 模型设计、梯度下降训练、泛化能力验证的全流程，核心逻辑可迁移到其他图像分类任务（如 MNIST、Fashion-MNIST）。理解代码中的每个知识点 —— 从transforms的预处理逻辑，到forward的特征流动，再到backward的梯度传播 —— 是掌握深度学习与计算机视觉的关键基础，也