本篇是我训练营TensorFlow 篇的第 2 次学习，主要目标是使用 TensorFlow 完成CIFAR10 彩色图片识别——和 PyTorch 篇 P2 周完全相同的数据集、相同的 10 分类任务。K同学啊老师的教学，以及 ChatGPT 和 Kimi。完成了 TensorFlow 版 CIFAR10 全流程：从→ 归一化 →Sequential建模 →compilefit→ 预测 →eva

本篇是我训练营TensorFlow 篇的第 1 次学习，主要目标是使用 TensorFlow 完成MNIST 手写数字识别——和 PyTorch 篇 P1 周完全相同的任务、完全相同的数据集、几乎完全相同的网络结构（LeNet-5 风格 CNN）。所以本周最重要的学习重点不是重新理解什么是卷积层、池化层，而是理解：TensorFlow 和 PyTorch 虽然代码写法不同，但底层完成的是同一套深度

本篇是我训练营的第一次学习，主要目标是使用 PyTorch 实现MNIST 手写数字识别。MNIST 是一个非常经典的图像分类数据集，任务是让模型识别图片中的手写数字属于0-9中的哪一类。因为我是python和深度学习初学者，所以这篇笔记暂时不追求完全理解所有数学原理，而是按照老师说的先跑通代码，再逐步理解的思路进行学习。本文主要记录从环境配置、MNIST 数据导入、DataLoader 批量加载

本篇是我训练营的第二次学习，主要目标是使用 PyTorch 实现CIFAR10 彩色图片识别。如果说 P1 周主要是用 MNIST 手写数字识别来跑通“数据导入 → 模型构建 → 模型训练 → 结果可视化”的完整流程，那么 P2 周就是在这个流程基础上，把任务从灰度图数字识别推进到彩色图像分类。这周的数据集变成了CIFAR10。它不再是简单的黑白手写数字，而是包含飞机、汽车、鸟、猫、鹿、狗、青蛙、

本篇是我训练营的第三次学习，主要目标是使用 PyTorch 实现天气识别任务。P1 周跑通了 MNIST 手写数字识别，P2 周在 CIFAR10 彩色图片上进一步理解了 CNN 的 shape 变化，而 P3 周的任务则更进一步——从使用公开数据集转向加载本地自定义数据集，并尝试达到更高的测试准确率。cloudy 阴天rain 雨天shine 晴天sunrise 日出P1 周让先跑通了“数据导入

本篇是我训练营的第四次学习，主要目标是使用 PyTorch 完成一个本地图片二分类任务——猴痘图片识别。保存训练过程中效果最好的模型参数，并且加载模型去预测本地指定图片。同时要求调整网络结构使测试集 accuracy 达到88%。本周的猴痘病图片识别任务一共有2 个类别Monkeypox 猴痘Others 其他从本周开始，学习重心逐渐从“跑通流程”转向“优化模型性能”，模型的搭建和调整是深度学习中

本篇是我训练营的第五次学习，主要目标是使用 PyTorch 实现一个运动鞋品牌识别任务（Adidas vs Nike）。P1 周跑通了 MNIST 手写数字识别、P2 周理解了 CIFAR10 彩色图片和 CNN 的 shape 变化、P3 周掌握了本地自定义数据集的加载和 BatchNorm、P4 周学会了保存最佳模型和单张图片预测，本周的任务则在前面四周的基础上，重点学习动态学习率的设置方法，

本篇是我训练营的第六次学习，主要目标是使用 PyTorch调用官方的 VGG-16 网络框架实现人脸识别任务。P1 周跑通了 MNIST 手写数字识别、P2 周理解了 CIFAR10 彩色图片和 CNN 的 shape 变化、P3 周掌握了本地自定义数据集的加载和 BatchNorm、P4 周学会了保存最佳模型和单张图片预测、P5 周学习了动态学习率和 Dropout 正则化，本周的任务是——从手

本篇是我训练营的第七次学习，主要目标是使用 PyTorch 完成马铃薯病害识别，并且重点学习手动搭建 VGG-16 网络框架。上一周学习了调用官方 VGG-16 预训练模型，而本周需要自己手动写出 VGG-16 的五个卷积块和三个全连接层，VGG-16 中16代表网络中「带权重的可训练层」总数量，只算卷积层 + 全连接层，池化层、ReLU 激活函数一般不计入这个 16 里面，因为Conv2d 有权

本篇是我训练营的第8次学习，主要目标是使用 PyTorch 完成儿童胸部 X 光片肺炎识别，并重点学习经典卷积神经网络ResNet-34。上一周（P7）学习了手动搭建 VGG-16 网络框架实现马铃薯病害识别，本周进一步学习ResNet（残差网络）。VGG-16 的信息主要沿着一条主干网络逐层向后传播；ResNet-34 除了卷积主路径，还增加了一条快捷连接，让输入可以跨过若干卷积层直接与主路径结