深度学习任务

1. “safe return”任务与猫狗识别数据集

• 第一层境界为“safe return”任务及一个名为“猫狗识别”的类别。
• 该数据集形式特殊，图片并非以JPG/PNG格式存储，而是以Numpy数组（ND数组对象）形式在词典文件中保存。

2. 数据加载流程与数据增强

• 数据加载: 数据集分为训练集（data_1至data_5，共五批次）和测试集（test），通过指定路径进行加载。transform负责对数据进行转换和数据增强操作，主要步骤包括：使用transforms.Compose聚合多个操作；将图像转换为tensor格式；并对像素值进行标准化处理。
• 数据查看: 讲解了如何通过反向标准化和通道变换将数据恢复成图像形式，以便于在Matplotlib中可视化查看。提及若遇到报错，通常是由于Anconda版本过低导致。

3. 网络模型架构

• 核心结构: 构建了一个包含卷积层、池化层和多个全连接层的特征提取网络。
• 卷积与池化: 利用卷积层提取图像特征（如减轻卷积核个数从16变为36），池化层（如MaxPool）则降低特征图的空间尺寸。
• 全连接层与展平: 特征图在进入全连接层前需被展平为一维数组。全连接层的数量和神经元数量可以自由设定，通常会逐层递减。
• 输出层: 最后一个全连接层输出的是类别置信度，通过Softmax函数将其转换为概率分布，用于最终的分类决策。

4. 硬件依赖（GPU/PyTorch）

• 强调了使用GPU进行计算的优势。
• 解释了CUDA和cuDNN的必要性，指出这些是加速运算的关键依赖库。

5. 神经网络基础结构

• 回顾了神经网络的标准结构，主要包括卷积层、激活函数、池化层（拉平）以及全连接层（FC）。
• 强调在进入全连接层前，需要将网络的多维输出“拉平”为一维向量。

6. 模型训练与核心概念

• 超参数的重要性: 讨论了在模型训练和项目汇报中，必须明确声明所使用的硬件配置、超参数（如优化器、学习率、批量大小）以及特定的评估标准，以保证结果的可比性和严谨性。
• 轻量级网络: 解释了轻量级网络的概念，其通过大幅降低参数量满足了对算力要求不高场景下的应用，同时仍能保持较高的准确率，是模型优化的一种重要思路。
• 训练过程详解:
  • 使用优化器（SGD）和损失函数（交叉熵损失）来调整网络权重。
  • 训练过程循环读取数据，通过梯度清零、前向传播、误差计算及反向传播来迭代优化模型。
  • 训练中的损失值反映了模型的优化状态，但需注意后期损失可能出现反复波动，不代表算法无效。

7. 模型评估与部署

• 训练完成后，需要进行测试来评估模型的实际效果，得到如准确率、精确率等指标。
• 测试过程与训练类似，通过正向传播获取模型最终的输出结果。