- **🍨 本文为[]中的学习记录博客**>- **🍖 原作者：[]**● 难度：夯实基础● 语言：Python3、TensorFlow2🍺 要求：1. 使用categorical_crossentropy（多分类的对数损失函数）完成本次选题2. 探究不同损失函数的使用场景与代码实现🍻 拔高（可选）：1. 自己搭建VGG-16网络框架2. 调用官方的VGG-16网络框架3. 使用VGG-1

本次项目耗费很长时间在模型调整上，由于初始结果不理想，想到可能是由于卷积核5*5是否过大导致没能捕捉到敏感信息的缘故，将卷积核调整为3*3，但是结果更差，猜测可能是感受野过小不利于特征信息的捕捉，于是又将卷积核重新调整为5*5。同时，优化器修改为Adam。在此过程中，也曾将学习率修改为1e-3，但效果不理想，改回1e-4后结果达到满意状态。

return outmodel# 循环训练size=len(dataloader.dataset) # 训练集的大小num_batches=len(dataloader) # 批次数目，（size/batch_size，向上取整）train_loss,train_acc=0,0 # 初始化训练损失和正确率for x,y in dataloader: # 获取图片及其标签# 计算预测误差pred=m

model.train() # 切换为训练模式optimizer.zero_grad() # grad属性归零loss=criterion(predicted_label,label) # 计算网络输出和真实值之间的差距，label为真实值loss.backward() # 反向传播torch.nn.utils.clip_grad_norm_(model.parameters(),0.1) # 梯

本次项目耗费很长时间在模型调整上，由于初始结果不理想，想到可能是由于卷积核5*5是否过大导致没能捕捉到敏感信息的缘故，将卷积核调整为3*3，但是结果更差，猜测可能是感受野过小不利于特征信息的捕捉，于是又将卷积核重新调整为5*5。同时，优化器修改为Adam。在此过程中，也曾将学习率修改为1e-3，但效果不理想，改回1e-4后结果达到满意状态。

除了使用中提供的数据集，我们还可以使用类来自定义自己的数据集。自定义数据集需要实现__len__和方法。__init__：用来初始化数据集__len__：方法返回数据集中样本的数量：给定索引值，返回该索引值对应的数据；它是 python built-in 方法，其主要作用是能让该类可以像list一样通过索引值对数据进行访问。return x,y在这个示例中，MyDataset类继承自类，实现了 _

- **🍨 本文为[]中的学习记录博客**>- **🍖 原作者：[]**● 难度：夯实基础● 语言：Python3、TensorFlow2🍺 要求：1. 使用categorical_crossentropy（多分类的对数损失函数）完成本次选题2. 探究不同损失函数的使用场景与代码实现🍻 拔高（可选）：1. 自己搭建VGG-16网络框架2. 调用官方的VGG-16网络框架3. 使用VGG-1

Transformer 网络架构由 Ashish Vaswani 等人在 Attention Is All You Need 一文中提出，并用于机器翻译任务，和以往网络架构有所区别的是，该网络架构中，编码器和解码器没有采用 RNN 或 CNN 等网络架构，而是采用完全依赖注意力机制的架构。网络架构如下所示：Transformer改进了RNN被人诟病的训练慢的特点，利用self-attention可

除了使用中提供的数据集，我们还可以使用类来自定义自己的数据集。自定义数据集需要实现__len__和方法。__init__：用来初始化数据集__len__：方法返回数据集中样本的数量：给定索引值，返回该索引值对应的数据；它是 python built-in 方法，其主要作用是能让该类可以像list一样通过索引值对数据进行访问。return x,y在这个示例中，MyDataset类继承自类，实现了 _

>- **🍨 本文为[🔗365天深度学习训练营]中的学习记录博客**>- **🍖 原作者：[K同学啊]**🏡 我的环境：论文地址：Conditional Image Synthesis with Auxiliary Classifier GANsACGAN的全称是 Auxiliary Classifier Generative Adversarial Network ，翻译成汉语的意思就是