下表从设计理念、关键创新和参数量等角度，对比这六座里程碑。模型年份层数核心创新连接方式特别说明LeNet19985卷积+池化+全连接顺序C3层选择性连接AlexNet20128ReLU, Dropout, 双GPU分组顺序+分组部分层特征图在组内独立VGG16201416全3×3小卷积核顺序块参数集中于全连接层GoogLeNet201422Inception多分支, 辅助分类器并行分支引入1×1降

本文记录PyTorch从零搭建LeNet-5对8类果蔬分类的实践。数据集含苹果、香蕉、黄瓜、坚果、洋葱、橙子、草莓、番茄，每类50张训练、10张验证。首次训练准确率83.75%，但混淆矩阵显示苹果与草莓、洋葱与橙子严重混淆，苹果准确率仅60%，洋葱仅10%。通过增强数据增强（随机旋转、颜色抖动、随机裁剪）并设计辅助分类头（针对混淆对增加二分类损失），准确率提升至96.25%，苹果达90%，洋葱达1

本文记录了作者使用 YOLOv11 完成第一个深度学习实战项目——人脸识别检测的完整过程。文章从虚拟环境配置、GPU 验证开始，详细介绍了数据集准备、模型训练、验证测试以及单图预测的全流程，并提供了完整的可运行 Python 代码。作者基于 NVIDIA RTX 5060 笔记本 GPU 进行实测，验证集 mAP50 达到 0.9872，召回率 100%。文末总结了 Windows 环境下新手常见