教材阅读

1. 分类与回归的关系

• 分类问题可以看作是回归问题的一种特例。分类的目标是预测一个离散的类标签，而回归则是预测一个连续的数值。

2. 独热向量表示

• 在分类问题中，常用独热向量（One-Hot Encoding）来表示类标签。每个类对应一个向量，其中只有一个位置为1，其余位置为0。

3. Softmax函数

• Softmax函数用于将模型的输出转换为概率分布，使得输出值归一化到0到1之间，并且所有输出值之和为1。它特别适用于多分类问题。

4. 交叉熵损失函数

• 交叉熵是分类问题中常用的损失函数，用于度量预测概率分布与实际分布之间的差异。与均方误差相比，交叉熵在处理分类问题时更为有效。

5. 分类中的优化

• 在使用Softmax和交叉熵损失时，优化过程更容易收敛，尤其是当损失表面较为复杂时，交叉熵能帮助模型更好地进行梯度下降。

代码实践

注意事项

1. 数据预处理

   • 确保图像数据已经标准化（如归一化到[0, 1]范围）。
   • 数据增强（如旋转、缩放）可以提高模型的泛化能力。

2. 网络结构

   • 选择合适的卷积层和池化层的组合。
   • 适当调整卷积核的数量和大小以适应数据的复杂度。

3. 训练参数

   • 设置适当的学习率，避免过大或过小。
   • 调整批量大小（Batch Size）以平衡计算资源和训练效果。

4. 过拟合和欠拟合

   • 使用验证集来监控模型的表现，避免过拟合。
   • 调整模型复杂度，避免欠拟合。

5. 模型评估

   • 使用准确率、精确率、召回率等指标来评估模型性能。
   • 在测试集上进行最终评估，确保模型的泛化能力。

6. 计算资源

   • 确保有足够的计算资源（如 GPU）来加速训练过程。