本篇是我训练营TensorFlow 篇的第 11 次学习（T11），任务是在 17 位明星人脸数据集（1800 张）上用 VGG-16 迁移学习搭建分类模型，并对比 Adam 与 SGD 两种优化器对模型的影响。K同学啊老师的教学，以及 ChatGPT 和 Kimi。掌握了 VGG-16 迁移学习的搭建方式去掉原头部，以 GAP 输出 512 维特征并冻结全部卷积层，只训练 Dense(170)+

本篇是我训练营TensorFlow 篇的第 9 次学习（T9），任务是猫狗识别第 2 部分，数据集与网络结构与上周 T8 相同（猫狗 2 类、3400 张、自建 VGG-16、train_on_batch 手动循环），本周教程给出了上周程序问题的官方处理版本，并将 batch_size 从 8 调整为 64。K同学啊老师的教学，以及 ChatGPT 和 Kimi。完成了本周任务（第 8 周程序问题

本篇是我训练营TensorFlow 篇的第 7 次学习（T7），任务是在咖啡豆数据集（Dark / Green / Light / Medium 共 4 类、1200 张）上完成 VGG-16 图像分类。VGG-16 网络结构：13 个卷积层 + 3 个全连接层，全部使用 3×3 卷积核与 2×2 最大池化；VGG-16 的参数量分布特征：全连接层占总量约 89%，是轻量化探索的切入点。K同学啊老

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 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 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