本文基于PyTorch框架实现了GoogLeNet(Inceptionv1)网络对猴痘皮肤图像的二分类识别。通过构建包含9个Inception模块的深层网络，利用多尺度特征提取能力处理224×224尺寸的输入图像。实验使用2142张图像数据集（80%训练集），经过30轮训练后达到87.2%的最高测试准确率。关键实现包括：1）Inception模块设计（1×1/3×3/5×5卷积并行结构）；2）批归

本文提出了一种结合ResNet残差连接、DenseNet密集连接和SE-Net通道注意力机制的SE-ResDenseNet模型。该模型在ResDenseNet基础上嵌入SE模块，通过对特征通道进行自适应重标定，增强关键特征并抑制冗余信息。实验结果表明，在10个epoch训练后，模型在测试集上达到89.2%的准确率，验证了SE模块的有效性。SE模块仅增加2.14%的参数量（43.5K），却显著提升了

本文介绍了ResDenseNet模型的构建与训练，该模型融合了ResNet的残差连接和DenseNet的密集连接优势。通过DenseResidualBlock模块实现内部密集拼接和外部残差相加，在保持参数高效的同时优化了特征复用和梯度回传。模型采用Pre-Activation设计、余弦退火学习率等策略，在图像分类任务中取得85.3%的测试准确率，验证了融合架构的有效性。

摘要：GRU（门控循环单元）通过简化LSTM结构（合并输入门/遗忘门为更新门，取消细胞状态），在保留长期记忆能力的同时提升效率，适用于短序列（<50步）和资源受限场景。其核心机制包括重置门（过滤无用信息）和更新门（平衡新旧信息），参数量比LSTM少33%，训练更快且内存占用更低（IoT设备1.8MB）。但长序列处理（>100步）和抗噪声能力弱于LSTM，适合移动端、实时短文本任务（如评

摘要：本实验比较了Adam和SGD优化器在VGG16迁移学习模型上的表现。使用17类1800张好莱坞明星人脸数据集，结果显示Adam优化器训练准确率达96.5%，但验证集仅59.7%，呈现严重过拟合；SGD训练准确率81.1%，验证集57.2%，过拟合较轻。虽然Adam收敛更快（10个epoch即达75%），但两种优化器最终验证性能接近，表明Adam的高训练准确率并未带来更好的泛化能力。实验建议在

本文介绍了使用TensorFlow 2进行图像分类的完整流程。首先设置GPU环境并导入数据，包含600张猫狗图片。通过数据预处理将图片归一化并划分为训练集、验证集和测试集。采用数据增强技术（随机翻转和旋转）提升模型泛化能力。构建了一个包含3个卷积层和2个全连接层的CNN模型，使用Adam优化器和交叉熵损失函数进行训练。经过20轮训练后，模型在测试集上达到87.5%的准确率。整个流程涵盖了从数据准备

VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型。

VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型。

VGG-16 是深度学习计算机视觉领域中非常著名且经典的卷积神经网络（CNN）模型，由牛津大学的 Visual Geometry Group (VGG) 提出。它在 2014 年的 ImageNet 竞赛中取得了极好的成绩，并且因为其结构简洁、规整，至今仍常被用作教学示例或特征提取的基础模型。VGG-16 最显著的特点就是它的“深度”（16层带权重的层）以及它对小尺寸卷积核（3x3）的坚持使用。我

摘要：GRU（门控循环单元）通过简化LSTM结构（合并输入门/遗忘门为更新门，取消细胞状态），在保留长期记忆能力的同时提升效率，适用于短序列（<50步）和资源受限场景。其核心机制包括重置门（过滤无用信息）和更新门（平衡新旧信息），参数量比LSTM少33%，训练更快且内存占用更低（IoT设备1.8MB）。但长序列处理（>100步）和抗噪声能力弱于LSTM，适合移动端、实时短文本任务（如评