经过两次卷积和池化：第一次卷积后：28→26（因为卷积核 3，无 padding），然后池化：26→13。然后优化器（比如 SGD）会根据这个“差的程度”去调整模型的内部参数（权重），让下一次猜测更接近正确答案。这其实是一个多分类的学习任务，相当于利用CNN神经网络进行图片特征提取、识别，最终对图片进行10分类（0-9）。：转成浮点数（True→1, False→0）并求和，得到这个 batch

表示 32 张图片，每张是 3 通道（RGB），高 32 像素，宽 32 像素。：原来顺序是 (C, H, W)，想要变成 (H, W, C)，所以把索引 1（H）放到第 0 位，索引 2（W）放到第 1 位，索引 0（C）放到第 2 位，即。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。在手敲代码过程中发现会有拼写错误

学习目的：学会提升模型效能。

学习目的：学会调整模块提升准确率。

本周重点学习了动态学习率和模型过拟合后怎么办，动态学习率主要是为了保证在模型训练过程中在早期能够提升学习效率，在后期能够避免错过最佳模型。而在模型训练过程中，过拟合现象相对常见，在面对过拟合时要如何处理也是一个重要的工程。

现在已经有很多训练好的优秀模型，对于不是专业进行更新算法的人要学会的就是如何利用好预训练模型进行迁移学习达到自己的目的。在本次学习里，虽然用了预训练模型，但是模型准确率低，即使对模块5进行解冻，准确率也仅达23%，可以说模型相当于是在乱猜，除了样本量小的因素，这也就说明了对模型的解冻和微调的重要性，后续可以尝试其他提升效能方法：解冻其他模块、图像增强、更换优化器。，这样在训练时，前面的卷积层参数不

在PyTorch的ImageFolder数据加载器中，根据数据集文件夹的组织结构，每个文件夹代表一个类别，class_to_idx字典将每个类别名称映射为一个数字索引。对比上周的搭建结果，很明显对于模型架构的理解还有待加强，基础知识相对掌握不熟练。若 Batch Size 较小（如 32），梯度噪声大，SGD 会在局部极小值附近剧烈震荡，始终无法收敛；VGG-16 不同层的梯度幅值差异巨大（浅层卷

结构输出代码结构图。

本周重点学习了动态学习率和模型过拟合后怎么办，动态学习率主要是为了保证在模型训练过程中在早期能够提升学习效率，在后期能够避免错过最佳模型。而在模型训练过程中，过拟合现象相对常见，在面对过拟合时要如何处理也是一个重要的工程。

经过两次卷积和池化：第一次卷积后：28→26（因为卷积核 3，无 padding），然后池化：26→13。然后优化器（比如 SGD）会根据这个“差的程度”去调整模型的内部参数（权重），让下一次猜测更接近正确答案。这其实是一个多分类的学习任务，相当于利用CNN神经网络进行图片特征提取、识别，最终对图片进行10分类（0-9）。：转成浮点数（True→1, False→0）并求和，得到这个 batch