目录

一、知识点学习

Part1 深度学习是什么？

神经元模型——模拟生物神经元行为的计算模型

神经网络——神经元模型的组合

Part2 深度学习如何训练的？

梯度下降算法

深度学习训练过程

Pytorch训练代码

Part3 深度学习与迁移学习

ImageNet介绍

迁移学习的实现方法

Part4 常见的图像分类网络

AlexNet

ResNet

EfficientNet

 Part5 导图总结

二、心得体会

一、知识点学习

Part1 深度学习是什么？

深度学习（Deep Learning）是机器学习的一个分支，用神经网络模拟人脑的学习方式，从大量数据中自动学习和提取特征，进行预测和决策。

深度学习依赖于多层神经网络，每一层神经元接受前一层神经元的输出，并通过权重和激活函数进行计算，传递到下一层神经元。

神经元模型——模拟生物神经元行为的计算模型

一个简单的神经元模型包括输入、权重、激活函数和输出。

输入就像神经元 树突 接收到的信号，

权重则像是调整信号强度的小调节器，

激活函数决定是否产生输出，

而输出则是传递给其他神经元的信号。

神经网络——神经元模型的组合

深度学习是由这些神经元模型层层堆叠起来的复杂结构。

深度将它们按照一定的层次连接起来，形成一个庞大的网络。这个网络的最底层接收输入数据，比如图片或文本，然后通过每一层的处理，逐渐提取出更高级别的特征，最后在顶层输出结果，比如识别图片中的物体或理解文本的含义。

这些基本的神经元模型组合起来，形成了多层次的网络结构，称之为神经网络。

虽然深度学习成就显著，但深度学习并不能解决所有问题。

Part2 深度学习如何训练的？

深度学习能够通过大量的数据和反复的训练来自动调整这些小开关（权重）的设置，使得整个网络能够越来越准确地完成特定的任务。

梯度下降算法

梯度下降是一种优化算法，用于最小化函数。原理是损失函数的梯度指向函数增长最快的方向。因此，如果我们希望减少损失函数的值，我们就需要沿着梯度的反方向调整模型的参数，让每次迭代都朝着模型参数朝着减少损失的方向移动。

深度学习训练过程

在深度学习中，我们希望最小化损失函数，即模型预测值与真实值之间的差异。

在训练循环中，我们首先加载一小批量数据，将其输入到神经网络中进行前向传播，计算出网络的输出。然后，我们使用损失函数来计算当前批次的损失，并通过反向传播算法计算损失函数关于每个参数的梯度。这些梯度告诉我们如何调整权重和偏置以减少损失。

当数据集非常大时，一次性处理所有数据可能会导致内存不足或计算过于缓慢。我们可以通过将数据分成小批量，更频繁地更新模型参数，使训练过程更加高效。

Pytorch训练代码

首先，需要准备一批图片数据（<code>train_loader）和这些图片对应的正确标签（target）。在开始训练之前，将模型设置为训练模式（ model.train() ），这样模型就知道现在是学习时间了。接着，开始喂给模型图片数据，并让它尝试预测这些图片的内容。模型会基于它目前的学习给出预测结果（output），而会计算这些预测结果与实际标签之间的差异，这个差异就是损失（loss）。为了让模型学会准确预测，需要指出它的错误，并更新它的内部参数来减少这些错误（通过loss.backward()和optimizer.step()）。这个过程就像是模型在自我调整，以便在下一次遇到类似图片时能够做出更准确的预测。

def train(train_loader, model, criterion, optimizer, epoch):

# 将模型设置为训练模式

model.train()

end = time.time()

# 遍历数据加载器

for i, (input, target) in enumerate(train_loader):

# 将数据和标签移动到 GPU

input = input.cuda(non_blocking=True)

target = target.cuda(non_blocking=True)

# 前向传播，计算模型对输入数据的预测

output = model(input)

# 计算预测输出和目标标签之间的差异

loss = criterion(output, target)

#清空（重置）之前的梯度

optimizer.zero_grad()

# 反向传播，计算损失相对于模型参数的梯度

loss.backward()

# 根据计算得到的梯度更新模型的参数

optimizer.step()

Part3 深度学习与迁移学习

迁移学习是一种机器学习技术，它将已在一个任务上学到的知识（如模型参数、特征表示等）应用到另一个相关任务上。这种技术特别有用，因为它允许模型在数据稀缺的情况下也能表现出色。

通常使用在大规模数据集上预训练的模型作为起点，例如在ImageNet数据集上预训练的卷积神经网络（CNN）。在预训练模型的基础上，使用少量标记数据对模型进行微调，以适应新任务。

ImageNet介绍

ImageNet 包含超过1400万张注释过的图像，这些图像分布在超过2.2万个类别中。它的规模之大使得它成为深度学习模型训练和评估的理想数据集。ImageNet 数据集中的图像包含了各种场景、物体、背景和遮挡情况，这为算法提供了极大的挑战。这种多样性使得在 ImageNet 上训练的模型能够学习到鲁棒的特征，从而在现实世界应用中表现良好。(ImageNet网址)

ImageNet 提供了一个标准的性能基准，研究者可以通过在 ImageNet 上的表现来比较不同模型的性能。此外许多在 ImageNet 上预训练的模型被用作迁移学习的起点，这些模型在新任务上通常表现出色。

​

迁移学习的实现方法

微调（Fine-tuning）是深度学习中一种有效的迁移学习策略，它允许我们利用预训练模型对特定任务进行优化。其基本原理是，首先在一个大规模的数据集上预训练一个深度学习模型，捕捉通用的特征表示，然后将这个预训练模型作为起点，在目标任务上进行进一步的训练以提升模型的性能。

微调步骤：

替换模型的输出层，以匹配目标任务的类别数量和类型。例如，如果目标任务是图像分类，而预训练模型原本用于不同的分类任务，我们就需要将模型的最后一层替换成适合新任务类别数的新层。

【可做可不做】冻结预训练模型中的大部分层，这样可以防止在微调过程中这些层学到的通用特征被破坏。通常情况下，只对模型的最后一部分层进行解冻，这些层负责学习任务特定的特征。

使用目标任务的数据集对模型进行训练。在这个过程中，我们会用梯度下降等优化算法更新模型的权重，从而使模型能够更好地适应新的任务。训练时，可能会使用比预训练时更低的学习率，以避免过度拟合目标数据集。

Part4 常见的图像分类网络

AlexNet

AlexNet是一种具有深远影响的卷积神经网络（CNN）架构，包含八个层次结构，前五个是卷积层，其中一些后跟最大池化层，最后三个是全连接层。

具体结构如下：

卷积层：AlexNet的前五个层次都是卷积层，每个卷积层后面跟着一个ReLU激活函数，以引入非线性。这些卷积层旨在提取图像的特征。

局部响应归一化（LRN）：在某些卷积层后使用了局部响应归一化，这是一种提高模型泛化能力的正则化方法。

最大池化层：在部分卷积层之后使用最大池化层来降低特征的空间维度，减少计算量和过拟合的风险。

全连接层：网络的最后三个层次是全连接层，其中最后两个全连接层后跟有Dropout，以进一步防止过拟合。

输出层：最后一个全连接层后是线性层，然后是softmax激活函数，输出1000个类别上的概率分布。

ResNet

ResNet（残差网络）是一种深度卷积神经网络架构，由微软研究院的研究员何恺明等人提出。它的主要创新点是引入了残差学习的概念，允许训练非常深的网络，从而缓解了深度神经网络训练中的梯度消失和梯度爆炸问题。

ResNet的核心是残差块（residual block），网络通过堆叠这些残差块来构建。一个基本的残差块包含以下几部分：

跳跃连接（Skip Connections）：这是ResNet最关键的创新，通过跳跃连接，输入可以直接绕过一个或多个层传到输出，输出是输入与这些层的输出的加和。这种结构使得网络可以学习输入到输出的残差，而不是直接学习输出，这有助于缓解梯度消失问题。

卷积层：残差块内部包含多个卷积层，通常使用小尺寸的卷积核（如3x3），并且通常会有批量归一化（Batch Normalization）和ReLU激活函数。

池化层：在某些残差块之间会插入最大池化层来降低特征图的空间维度。

ResNet能够成功训练超过100层的网络，这在之前是不可能实现的。

EfficientNet

EfficientNet是一种高效的卷积神经网络（CNN）架构，它通过一种新颖的网络缩放方法来提升模型的性能和效率。EfficientNet 的核心是其 compound scaling 方法，该方法通过一个复合系数统一缩放网络的深度、宽度和分辨率。在过去，网络缩放通常是通过任意选择深度、宽度或分辨率的增加来实现的，而EfficientNet的方法则是通过一系列固定的缩放系数来同时增加这三个维度。例如，如果想要使用更多的计算资源，可以通过增加网络深度、宽度和图像大小的特定比例来实现，其中的比例系数是通过在小型模型上进行小规模的网格搜索确定的。

EfficientNet的复合缩放方法的直觉在于，如果输入图像更大，网络就需要更多的层来增加感受野，以及更多的通道来捕捉更细粒度的模式。EfficientNet的架构本质上并不复杂。基本的EfficientNet-B0网络作为后续缩放的基础。作者指出，他们使用NAS来构建基本网络，利用了多目标搜索来同时优化网络的准确性和计算效率。

二、导图总结

三、心得体会

目前，该部分内容仍需时间细细梳理与内化，以确保深刻理解。就代码执行而言，基本流畅无阻，但在微调参数的过程中，我还是感觉到有一丝迷茫，仿佛踏入了一场精妙的‘炼丹’之旅。这提醒我，掌握调参的艺术非一日之功，需持续磨砺，勤于实践，方能日益精进。