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