🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊1） 项目背景与目标本项目基于 TensorFlow 框架，构建了一个用于时间序列预测的 LSTM 模型。目标是从包含 Tem1、CO 1 和 Soot 1 三个特征的数据集中提取信息，利用连续8个时间步的历史数据来预测第9个时间步的 Tem1 值。整个代码流程涵盖了数据预处理、模型构建与训练、性能评估以及结果可视化等核心

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊可以通过动态调整学习率和增加正则层来提高测试准确率。

🍨本文为🔗365天深度学习训练营中的学习记录博客🍖K同学啊其主要优点在于通过并行使用不同尺寸的卷积核（1×1、3×3、5×5）以及引入1×1卷积进行降维，在有效提升特征提取能力的同时大幅减少了计算量和参数数量，表现出较高的计算效率和良好的实际性能。然而，InceptionV1的网络结构较为复杂，不易手工实现与调试，且固定的卷积核组合在适应不同任务时灵活性不足。此外，虽然其参数量较小，但多分支

🍨本文为🔗365天深度学习训练营中的学习记录博客🍖K同学啊在进行模型训练时，我遇到了一些常见的错误和挑战，下面总结了几个注意事项和tips，供后续使用：1.模型参数和数据维度匹配•报错：“mat1 and mat2 shapes cannot be multiplied”，通常是因为模型的输入数据维度和模型定义的层不匹配。特别是在卷积层后接全连接层时，确保通过展平（flatten）操作正确调

🍨本文为🔗365天深度学习训练营中的学习记录博客🍖K同学啊要搞清学习用的数据集子母文件的关系，尤其是在打0、1标签的时候，一定要注意将标签打在addidas和nike的子文件夹上，否则会影响训练结果甚至会使得整个模型无效。

🍨本文为🔗365天深度学习训练营中的学习记录博客🍖K同学啊初步学习了YOLOv5算法中的C3模块搭建网络，yolo5小且快，优化器的选择也很重要。

🍨本文为🔗365天深度学习训练营中的学习记录博客🍖K同学啊上周YOLOv5_backbone更完整，保留了 YOLOv5 的核心结构，适用于更复杂的任务。SPPF 层用于提取更高级特征，更适合大规模数据集和复杂分类任务。本周model_K更轻量，减少了 Conv 和 C3 层的数量，适用于计算资源受限的设备。可能适用于小型数据集，但少了 SPPF，可能会降低特征提取的能力。如果目标是减少计算