TCCHzp的博客

本文围绕 PyTorch 现有网络模型的应用与开发展开，以 VGG16 为例，介绍通过trchvision.models加载预训练模型并利用迁移学习适配新任务的方法，如修改或添加分类器层使输出适配 CIFAR-10 的 10 类需求。阐述模型保存与加载的两种方式（整体保存与参数保存），对比其特点。结合 CIFAR-10 演示完整训练流程，涵盖数据集加载、交叉熵损失函数与 SGD 优化器配置、TensorBoard 监控及 GPU 加速设置。最后通过实际图片验证模型分类效果，指出训练轮次不足可能导致识别偏差。

本文介绍神经网络及 PyTorch 应用。神经网络由多层神经元组成，通过前向传播计算结果，反向传播调整参数。PyTorch 的 torch.nn 模块可构建网络，包含线性层、卷积层、池化层等，激活函数引入非线性，正则化层减少过拟合。损失函数衡量预测差距，优化器更新参数，如 SGD、Adam。卷积层提取特征，池化层降维，Sequential 模块可快速堆叠网络层。文中还以 CIFAR-10 模型为例，展示构建网络、计算损失、反向传播及优化器调参过程，体现神经网络从构建到训练的完整流程。

torchvision是PyTorch的计算机视觉扩展库，提供预训练模型、数据集和图像处理工具。以CIFAR10数据集为例，包含60,000张32x32彩色图像（10类）。通过torchvision.datasets.CIFAR10可下载数据集，使用transforms.ToTensor()将PIL图像转为Tensor格式。代码演示了数据下载、类型转换及TensorBoard可视化过程，展示了如何快速构建视觉项目。该库极大简化了计算机视觉任务的开发流程。

本文介绍了计算机视觉中常用的图像变换(transforms)方法，包括调整大小(Resize)、裁剪(Crop)、翻转(Flip)、旋转(Rotate)、归一化(Normalize)、颜色抖动(Color Jitter)和噪声添加(Add Noise)等操作。重点展示了PyTorch中如何使用torchvision.transforms模块实现图像归一化和随机裁剪等变换，并通过TensorBoard可视化处理效果。文章还说明了transforms.Compose的用法，它能将多个图像变换操作组合在一起，简化

TensorBoard是TensorFlow的可视化工具，用于监控和优化机器学习模型训练过程。主要功能包括：可视化训练指标（损失、准确度）、展示模型结构（计算图、层参数）、分析权重/激活分布、支持多媒体数据（图像/音频/文本）展示，以及超参数调优。使用方式为安装后通过SummaryWriter记录数据（标量、图像等），启动TensorBoard服务并在浏览器查看可视化结果。安装命令为pip install tensorboard，运行后可通过http://localhost:6006访问界面，支持自定义日志

本文介绍了机器学习中训练集(train)和验证集(val)的作用与特点，阐述了常见的数据集目录结构类型，包括按类别分类和图像-标签分离的两种组织形式。文章详细讲解了PyTorch中Dataset类的功能与实现方法，包括必须重写的__init__、__getitem__和__len__三个核心方法，并提供了一个将蚂蚁和蜜蜂图片分类数据集合并为训练数据集的完整代码示例，展示了如何自定义Dataset类来加载和管理图像数据。

PyTorch 是一个广泛使用的开源深度学习框架，由 Facebook 的人工智能研究小组开发。它以其动态计算图的特性而闻名，允许用户在运行时灵活地改变网络结构，这使得调试和开发变得更加直观。PyTorch 提供了张量数据结构，类似于 NumPy 数组，但具备在 GPU 上高效计算的能力，同时支持自动微分功能，方便计算梯度，从而简化模型训练过程。其 API 设计简单易用，适合初学者和研究人员，配合丰富的库和工具，如 torchvision、torchtext 和 torchaudio，覆盖了计算机视觉、自然

本文介绍了FastAPI的入门知识，并结合SQLAlchemy和SQLite来构建一个简单的Web应用。首先，阐述了FastAPI的基本概念及其安装方法，强调了其高性能和易用性。接着，介绍了如何使用SQLAlchemy作为ORM工具，与SQLite数据库进行交互。文章详细描述了创建数据库模型、设置数据库连接以及实现基本的CRUD（创建、读取、更新和删除）操作的步骤。同时，通过示例代码展示了如何在FastAPI中集成这些功能，使用户能够方便地添加和查询数据。

Python是一种高层次、通用的编程语言，因其简洁易读的语法和强大的功能而广受欢迎。它于1991年由吉多·范罗苏姆（Guido van Rossum）首次发布。