怎么自己建立公司网站百度快照入口
- 🍨 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
导入必要库：包括 torch（深度学习）、torchvision（图像工具）、PIL（图像处理）。
屏蔽警告信息：提升输出清晰度。
设备选择：自动使用CUDA（GPU）如果可用，否则使用CPU。
data_dir.glob(‘*’)：获取 J3-data/ 文件夹下所有子目录。
classeNames：提取类别名称（子文件夹名）。
Resize：将图像大小统一为 [224, 224]，适配如 ResNet 等标准模型输入。
ToTensor：将PIL图像转为PyTorch Tensor，值范围 [0, 1]。
Normalize：图像标准化，使用 ImageNet 的均值和标准差。
ImageFolder：PyTorch 中一个通用的数据加载方式。
数据集 total_data 被随机划分为训练集和测试集。
使用 DataLoader 批量加载数据，支持 shuffle（打乱顺序）。
每次迭代返回的是一个批次大小为 32 的图像和标签对。
打印了数据的结构：X 是 [batch_size, 通道数, 高, 宽]（即 [32, 3, 224, 224]），y 是标签。
DenseLayer 模块
init() 构造函数中：
使用 1x1 卷积 作为 bottleneck（降维）；
使用 3x3 卷积 提取特征；
每次输出 growth_rate 个新通道；
Dropout 用于正则化，防止过拟合。
forward() 前向传播中：
super().forward(x) 表示依次调用上面 .add_module() 添加的层；
最后用 torch.cat([x, new_feature], dim=1) 实现输入与新输出的通道拼接（DenseNet 核心特性：密集连接）。
DenseBlock 模块
num_layers 表示这个 DenseBlock 有多少个 DenseLayer；
每一层的输入通道数 = in_channel + i * growth_rate；
add_module() 将多个 DenseLayer 顺序加入到当前模块中；
输出将包含所有中间层产生的特征图。
Transition 模块
用于两个 DenseBlock 之间；
压缩通道数（通过 1x1 Conv）；
缩小空间尺寸（通过 AvgPool2d）；
减少计算量和内存开销，防止特征爆炸。
DenseNet 网络
growth_rate: 每层输出的通道数（DenseLayer 的“增长速度”）
block_config: DenseBlock 的层数结构，如 [6,12,24,16] 表示有4个 block
init_channel: 初始卷积输出通道数
bn_size: bottleneck 通道扩展因子
compression_rate: Transition 层压缩因子（如 0.5 表示减半）
drop_rate: Dropout 率
num_classes: 输出分类数
初始卷积层（stem）
构建多个 DenseBlock + Transition
循环构建 4 个 DenseBlock；
除最后一个外，每个 block 后都加一个 Transition（降维+池化）；
num_features 随每层增长：
每个 DenseLayer 输出 growth_rate 个通道。
最后 BN + ReLU + 全连接分类层
参数初始化
卷积层使用 He 初始化；
BN 和全连接层设置为常数；
保证训练稳定性和收敛速度。
前向传播函数
全部特征提取后做全局平均池化（GAP），输出大小为 [batch_size, num_features]；
最后通过 Linear 层完成分类。
自动检测是否使用 GPU。
使用自定义的 DenseNet 类构建模型，其中 block_config=(6,12,24,16) 是 DenseNet-121 的典型结构。
num_classes，分类数。
显示模型结构、每层参数量、输出尺寸。
输入为 3 通道 224×224 图像。
遍历每一个 batch，执行 前向传播，计算损失，反向传播，参数更新；
累计整个 epoch 的损失和准确率；
返回平均训练损失和准确率。
torch.no_grad() 避免记录梯度，减少内存消耗；
仅执行前向传播并计算损失、准确率。
整个训练过程迭代 epochs 轮，每轮都记录训练和测试集的准确率、损失，保存测试准确率最高的模型为 best_model。
训练与验证准确率
训练准确率（蓝色）：
从 85% 稳步上升至接近 97%，说明模型拟合效果很好。
验证准确率（橙色）：
高位波动在 86% ~ 91% 之间；
前半段同步提升，后期开始波动，未继续随训练提升。
训练与验证损失
训练损失（蓝色）：
明显下降，收敛效果好；
验证损失（橙色）：
在第 4~10 epoch 区间最低。
测试准确率（Test Accuracy）：91.83%
测试损失（Test Loss）：0.2163