完成了咖啡豆识别项目，从数据加载、预处理，到搭建 VGG-16 网络、调试模型，一步步把理论知识落地成了可运行的代码。我能独立完成完整的图像分类流程，遇到报错会主动排查、修改优化，学习态度踏实，动手能力也有明显提升。训练中我认真对照要求完成任务，耐心调试参数，遇到问题不轻易放弃，也能及时纠正代码错误。整体做事认真细心，有较强的自主学习能力，愿意沉下心钻研深度学习相关内容，后续也会继续夯实基础，不断

本次我使用VGG16网络完成猫狗识别实验，成功掌握了图片数据集加载、归一化预处理流程，也熟悉了自定义循环训练模型、调整学习率的方法。模型训练十轮后，验证准确率达到80.46%，训练效果平稳。本次实验暴露出不少问题：第一，VGG16模型参数量大，占用内存高，训练耗时久；第二，数据集没有做数据增强，模型泛化能力一般；第三，模型未添加dropout层，存在轻微过拟合隐患。后续我会学习模型轻量化方法，加入

【代码】第T10周：数据增强。

本次基于 PyTorch 完成 Inception v1 网络实现猴痘皮肤病二分类任务，掌握了 Inception 模块四分支并行结构与 1×1 卷积降维减少计算量的核心原理。数据集共 2142 张图片，按 8:2 划分训练、验证集，模型参数量约 704 万，使用 Adam 优化器训练 10 轮。训练过程出现验证准确率震荡、后期精度下滑，存在轻微过拟合问题。通过本次实操熟悉了图像分类完整流程，后续

本次我使用VGG16网络完成猫狗识别实验，成功掌握了图片数据集加载、归一化预处理流程，也熟悉了自定义循环训练模型、调整学习率的方法。模型训练十轮后，验证准确率达到80.46%，训练效果平稳。本次实验暴露出不少问题：第一，VGG16模型参数量大，占用内存高，训练耗时久；第二，数据集没有做数据增强，模型泛化能力一般；第三，模型未添加dropout层，存在轻微过拟合隐患。后续我会学习模型轻量化方法，加入

完成了咖啡豆识别项目，从数据加载、预处理，到搭建 VGG-16 网络、调试模型，一步步把理论知识落地成了可运行的代码。我能独立完成完整的图像分类流程，遇到报错会主动排查、修改优化，学习态度踏实，动手能力也有明显提升。训练中我认真对照要求完成任务，耐心调试参数，遇到问题不轻易放弃，也能及时纠正代码错误。整体做事认真细心，有较强的自主学习能力，愿意沉下心钻研深度学习相关内容，后续也会继续夯实基础，不断

本文记录了深度学习训练营第6周关于好莱坞明星识别的实践过程。首先配置了GPU环境并安装TensorFlow等必要库，详细展示了安装依赖项的过程和版本信息。通过数据预处理构建了包含5位好莱坞明星（汤姆·克鲁斯、威尔·史密斯、强尼·德普、安吉丽娜·朱莉和布拉德·皮特）的图像数据集，使用CNN模型进行训练。最终实现了91%的测试准确率，并提供了完整的模型训练代码和可视化结果分析。项目涵盖了从环境配置、数