本周最大收获不是“把模型跑通”，而是建立了可复用的训练模板先把输入管线做稳（自动解压、自动识别类别、分层划分）；再做模型双轨验证（手写结构理解 + 官方模型性能）；然后把指标补全（Acc + F1 + 报告）；最后做可复现闭环（保存 best、加载复评、写下问题与结论）。每次新任务优先保证“路径稳定、标签正确、指标完整、结果可复现”，再谈调参冲榜。这套流程比单次高分更重要，因为它能持续复用到 P8

在之前的案例中，我们多使用直接导入已经按类别整理好的数据集。但车牌识别数据集中，每张图片的标签写在文件名里，并不是一个类别一个文件夹，因此本周需要自定义 ，从图片路径中提取车牌字符串，再将标签数字化后完成识别任务。本周目标：为了让实验结果更稳定，可以固定随机种子：2) 解压并整理数据集压缩包内部只有一个目录：，图片文件名格式类似：在 Linux/WSL 中直接解压中文文件名可能出现乱码，所以这里使

可以看到第32轮验证准确率到了最高0.8947，后面连续10轮都没突破，就在第42轮停了。如果没有早停，后面8轮基本在浪费时间，而且训练loss还在降，验证loss在涨，明显过拟合了。4. 保存最佳模型很重要：如果不用`save_best_only=True`，最后保存的可能是过拟合的模型，而不是32轮那个最好的。从图里能明显看到，训练准确率还在涨，但验证准确率32轮后就平了，验证损失也在回升。1

训练函数内在下前向与反传；测试在下只做前向。本周系统过了一遍VGG-16的结构特点（重复 3×3 卷积堆叠、池化降采样、全连接分类头），并在真实人脸数据上完成PyTorch 训练闭环：划分数据、DataLoader、官方模型替换最后一层、LambdaLR按测试集保存最佳。与 P4/P5 相比，人脸识别类别更多，更依赖预训练与正则；同时再次体会到路径与必须自数据集自动推断，避免引发 GPU 侧断言类

加载 MNIST → 归一化与可视化 → 搭建 CNN → 编译训练 → 单张/批量预测。建立了「数据预处理 → 模型定义 →compilefit→predict」的完整流程；理解了归一化、通道维度reshape、卷积/池化/全连接的分工；知道现阶段以跑通黑盒为主，原理可在后续周次逐步加深。后续可尝试：减少epochs做快速实验、对比 CPU/GPU 速度、或改用 PyTorch 版本（如训练营

本周基于天气识别四分类任务，完成了 YOLOv5 Backbone 思想在图像分类场景下的迁移实践。整体流程包括：数据预处理与 8:2 划分、Backbone 模块复现（ConvBottleneckC3SPPF）、分类头构建、训练与测试函数封装、60 轮训练、最佳模型保存及可视化评估。实验结果说明：YOLOv5 主干网络在分类任务中同样具备较强的特征提取能力，训练过程可稳定收敛，具备继续优化和做对

本周最大收获不是“把模型跑通”，而是建立了可复用的训练模板先把输入管线做稳（自动解压、自动识别类别、分层划分）；再做模型双轨验证（手写结构理解 + 官方模型性能）；然后把指标补全（Acc + F1 + 报告）；最后做可复现闭环（保存 best、加载复评、写下问题与结论）。每次新任务优先保证“路径稳定、标签正确、指标完整、结果可复现”，再谈调参冲榜。这套流程比单次高分更重要，因为它能持续复用到 P8

训练函数内在下前向与反传；测试在下只做前向。本周系统过了一遍VGG-16的结构特点（重复 3×3 卷积堆叠、池化降采样、全连接分类头），并在真实人脸数据上完成PyTorch 训练闭环：划分数据、DataLoader、官方模型替换最后一层、LambdaLR按测试集保存最佳。与 P4/P5 相比，人脸识别类别更多，更依赖预训练与正则；同时再次体会到路径与必须自数据集自动推断，避免引发 GPU 侧断言类

环境方面：本次实验在 WSL2 + Linux 环境下完成，Python 版本为3.11.13，PyTorch 为，Torchvision 为，GPU 为。一开始在路径与类别数上再次踩了坑（、全局变量拼写不一致导致和 CUDA assert），重启内核并统一使用后解决。数据与模型方面：本次使用的是 adidas vs nike 运动鞋图片数据集，数据量不大。自定义的Model。

使用自定义的 Network_bn 模型（多层卷积 + BatchNorm + 池化 + 全连接）在 20 个 epoch 后训练集准确率约 92.7%，测试集准确率约 83.2%，说明模型已经学到了一定的判别能力，但仍存在一定过拟合。坑点与收获：除了前面提到的路径和类别映射问题，这次还再次巩固了「张量形状」与特征图尺寸推导的概念：从输入的 [B, 3, 224, 224] 经过多层卷积与池化，最