利用 TensorFlow，通过构建 VGG-16 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 1700 张图片。

利用 TensorFlow，通过构建 VGG-16 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 1700 张图片。与上一章文章不同的是，之前批次大小用的是 8 ，这次用的是 64。

本文旨在解决深度学习中因数据量不足导致的过拟合问题，将利用 TensorFlow，通过构建 CNN 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 300 张图片。Model 层嵌入：利用 GPU 加速，在 Model.fit 时自动生效。Dataset 层映射：在 CPU/数据流水线预处理阶段进行 map 操作。此外，还将说明如何编写 aug_img 并嵌入 pr

利用 TensorFlow，通过构建 VGG-16 网络实现明星识别，对比四种优化器的训练效果。

本实验使用 ResNet50 深度残差网络对眼底图像进行三分类（Normal / Mild / Severe），实现视网膜病变严重程度的自动分级。数据集共 1661 张图像，按 80/20 划分为训练集和测试集，以 ImageNet 预训练的均值和标准差做归一化，使用 AdamW 优化器和交叉熵损失进行端到端训练。ResNet（Residual Network）由微软研究院何恺明等人于 2015

关键区别：BN → ReLU → Conv（预激活）block2: 单个瓶颈残差块，支持选择是否用 1x1 卷积调整 shortcut 维度stack2: 堆叠多个 block2，第一个 block 负责下采样，后续 block 使用 identity shortcut"""else:# Stagesif preact:# Headreturn xmodel...train()：遍历训练集，前向传

项目内容模型DualPathFusionNet（ResNet + DenseNet 融合网络）任务三分类图像分类（Normal / Mild / Severe）数据集1661 张图像，80/20 划分最优性能测试准确率 79.0%，测试损失 0.603"""Dual Path Fusion Block: 融合 ResNet 残差连接与 DenseNet 密集连接。"""# === Residual

项目内容模型SE-ResNet（Squeeze-and-Excitation 注意力 + ResNet-18）任务三分类图像分类（Normal / Mild / Severe）数据集1661 张图像，80/20 划分最优性能测试准确率 93.1%，测试损失 0.247实现带有SE（Squeeze-and-Excitation）注意力机制的 ResNet 模型，通过显式建模通道间的相互依赖关系，自适

项目内容模型InceptionV1 / GoogLeNet 风格网络（加入 BatchNorm）任务三分类图像分类（Normal / Mild / Severe）数据集原始 1661 张图像；去重图组 946 组；训练集均衡过采样为 2436 张；测试集 189 张最优性能当前 V4 版本 notebook 尚未保存完整 30 轮训练输出，需重新运行后填写实现经典风格网络。其核心思想是通过多个并行

本文的核心思路是解决非标准分类数据集（即无法简单通过文件夹分类）的识别问题，以车牌识别为例。数据集中共包含 13,675 张车牌照片。这部分代码利用 pathlib 库遍历数据集目录。由于车牌的标签直接包含在文件名中（例如 000_川W9BR26.jpg），代码通过字符串分割操作提取出车牌号码。这是处理“无固定文件夹分类”数据的常用技巧。使用 matplotlib 展示前18张原始车牌图像。这步操