摘要：本文总结了食物图像分类项目的考研复试常见问题及标准答案，涵盖项目认知、数据处理、CNN网络、迁移学习、半监督学习、模型优化等方面。项目基于VGG预训练模型，采用迁移学习和伪标签半监督学习解决小样本分类问题，通过数据增广、AdamW优化器等策略提升模型性能。最终验证集精度达93%，有效解决了过拟合问题。回答严格匹配代码逻辑，完全贴合简历内容，确保复试提问时的准确性和一致性。

回答：我做的是基于food-11数据集的11类食物图像分类系统，核心解决小样本场景下分类精度低、泛化能力弱的问题。我先自主搭建了自定义CNN网络做基础实验验证，最终采用VGG预训练模型做迁移学习微调，同时通过伪标签半监督学习方案扩充训练集，搭配数据增广、AdamW优化器等策略优化模型，最终完成了稳定的11类食物图像分类任务。回答：food-11是开源的食物图像数据集，包含11个常见食物类别，比如面

回答本项目是基于PyTorch框架实现的11类食物图像分类任务，核心目标是实现食物图片的自动识别分类。项目采用迁移学习（VGG预训练模型微调）替代传统从零训练，同时结合半监督学习（伪标签）利用无标签数据提升模型精度；整体流程包括数据集读取、数据增广、模型构建、训练验证、最优模型保存，最终完成小样本下的高精度食物分类。回答迁移学习是复用预训练模型的通用特征，迁移到自己的小样本任务中，无需从零训练。

答：迁移学习就是把在大数据集上预训练好的模型权重，迁移到我们的小样本任务上，只做微调。用预训练模型的原因是，我们的食品数据集样本量少，从零训练模型很难学到通用的图像特征，而预训练模型在 ImageNet 百万级数据集上学到了通用的图像特征，只需要微调就能适配我们的项目，大幅提升准确率，同时加快模型收敛。

文章摘要： 张量是PyTorch专用的数据容器，可理解为装数字的深度学习工具箱（普通数组如塑料盒，张量则支持训练和GPU加速）。维度从低到高：0维（单数值如体温）、1维（向量如患者特征）、2维（矩阵如批量数据表）。新冠预测项目中，原始数据转为张量后模型才能处理，主要用1维（单样本）和2维（批量数据）。前向传播是模型计算预测值的过程，反向传播通过损失函数（如MSE）修正误差，优化器调整参数。项目流程