365天深度学习训练营-第P7周：马铃薯病害识别（VGG-16复现）

文为「365天深度学习训练营」内部文章
参考本文所写记录性文章，请在文章开头带上「👉声明」

🍺 要求：

1. 自己搭建VGG-16网络框架【达成√】
2. 调用官方的VGG-16网络框架【达成√】
3. 如何查看模型的参数量以及相关指标【达成√】

🍻 拔高（可选）：

1. 验证集准确率达到100%【98.61%】
2. 使用PPT画出VGG-16算法框架图（发论文需要这项技能）

🔎 探索（难度有点大）

1. 在不影响准确率的前提下轻量化模型【达成√】

• 目前VGG16的Total params是134,272,835

🏡 我的环境：

• 语言环境：Python3.11.9
• 编译器：Jupyter Lab
• 深度学习环境：
  • torch==2.3.1
    • torchvision==0.18.1

这次我们使用的是马铃薯病害数据集，该数据集包含表现出各种疾病的马铃薯植物的高分辨率图像，包括早期疫病、晚期疫病和健康叶子。它旨在帮助开发和测试图像识别模型，以实现准确的疾病检测和分类，从而促进农业诊断的进步。

一、 前期准备

1. 设置GPU

如果设备上支持GPU就使用GPU,否则使用CPU

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os, PIL, pathlib, warningswarnings.filterwarnings("ignore")  # 忽略警告信息# 检查硬件加速支持
if torch.backends.mps.is_available():device = torch.device("mps")  # 使用 Metal 后端（适用于 M 系列芯片）print("Using Metal Performance Shaders (MPS) backend for acceleration")
else:device = torch.device("cuda" if torch.cuda.is_available() else "cpu")if device.type == "cuda":print("Using CUDA for acceleration")else:print("Using CPU (no hardware acceleration available)")device

2. 导入数据

import os, PIL, random, pathlibdata_dir = './PotatoPlants'
data_dir = pathlib.Path(data_dir)# 获取子目录路径
data_paths = list(data_dir.glob('*'))# 提取子目录名称，使用 `path.name` 更安全
classeNames = [path.name for path in data_paths]print(classeNames)

# 关于transforms.Compose的更多介绍可以参考：https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸# transforms.RandomHorizontalFlip(), # 随机水平翻转transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])test_transform = transforms.Compose([transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])total_data = datasets.ImageFolder("./PotatoPlants/",transform=train_transforms)
total_data

total_data.class_to_idx

3. 划分数据集

train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
train_dataset, test_dataset

batch_size = 32train_dl = torch.utils.data.DataLoader(train_dataset,batch_size=batch_size,shuffle=True,num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,batch_size=batch_size,shuffle=True,num_workers=1)

for X, y in test_dl:print("Shape of X [N, C, H, W]: ", X.shape)print("Shape of y: ", y.shape, y.dtype)break

二、手动搭建VGG-16模型

VVG-16结构说明：

• 13个卷积层（Convolutional Layer），分别用blockX_convX表示
• 3个全连接层（Fully connected Layer），分别用fcX与predictions表示
• 5个池化层（Pool layer），分别用blockX_pool表示

VGG-16包含了16个隐藏层（13个卷积层和3个全连接层），故称为VGG-16

1. 搭建模型

import torch
import torch.nn as nn
import torch.nn.functional as Fclass vgg16(nn.Module):def __init__(self):super(vgg16, self).__init__()# 卷积块1self.block1 = nn.Sequential(nn.Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块2self.block2 = nn.Sequential(nn.Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块3self.block3 = nn.Sequential(nn.Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块4self.block4 = nn.Sequential(nn.Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块5self.block5 = nn.Sequential(nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 全连接网络层，用于分类self.classifier = nn.Sequential(nn.Linear(in_features=512*7*7, out_features=4096),nn.ReLU(),nn.Linear(in_features=4096, out_features=4096),nn.ReLU(),nn.Linear(in_features=4096, out_features=3))def forward(self, x):x = self.block1(x)x = self.block2(x)x = self.block3(x)x = self.block4(x)x = self.block5(x)x = torch.flatten(x, start_dim=1)x = self.classifier(x)return x# 检查是否支持 MPS 后端
if torch.backends.mps.is_available():device = torch.device("mps")  # 使用 Metal 后端加速print("Using MPS device for acceleration")
else:device = torch.device("cuda" if torch.cuda.is_available() else "cpu")print(f"Using {device} device")# 将模型加载到指定设备
model = vgg16().to(device)
print("Model loaded to:", device)
model

2. 查看模型详情

from torchsummary import summary# 检查设备
device = torch.device("mps") if torch.backends.mps.is_available() else torch.device("cpu")# 初始化模型并加载到 MPS
model = vgg16().to(device)# 将模型移到 CPU 以使用 torchsummary
model_cpu = model.to("cpu")
summary(model_cpu, (3, 224, 224), device="cpu")# 完成后将模型移回 MPS
model = model.to(device)

三、 训练模型

1. 编写训练函数

# 训练循环
def train(dataloader, model, loss_fn, optimizer):size = len(dataloader.dataset)  # 训练集的大小num_batches = len(dataloader)   # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0  # 初始化训练损失和正确率for X, y in dataloader:  # 获取图片及其标签X, y = X.to(device), y.to(device)# 计算预测误差pred = model(X)          # 网络输出loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失# 反向传播optimizer.zero_grad()  # grad属性归零loss.backward()        # 反向传播optimizer.step()       # 每一步自动更新# 记录acc与losstrain_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()train_loss += loss.item()train_acc  /= sizetrain_loss /= num_batchesreturn train_acc, train_loss

3. 编写测试函数

测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器

def test (dataloader, model, loss_fn):size        = len(dataloader.dataset)  # 测试集的大小num_batches = len(dataloader)          # 批次数目, (size/batch_size，向上取整)test_loss, test_acc = 0, 0# 当不进行训练时，停止梯度更新，节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target = imgs.to(device), target.to(device)# 计算losstarget_pred = model(imgs)loss        = loss_fn(target_pred, target)test_loss += loss.item()test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()test_acc  /= sizetest_loss /= num_batchesreturn test_acc, test_loss

4. 正式训练

model.train()、model.eval()训练营往期文章中有详细的介绍。

📌如果将优化器换成 SGD 会发生什么呢？请自行探索接下来发生的诡异事件的原因。

import copyoptimizer  = torch.optim.Adam(model.parameters(), lr= 1e-4)
loss_fn    = nn.CrossEntropyLoss() # 创建损失函数epochs     = 40train_loss = []
train_acc  = []
test_loss  = []
test_acc   = []best_acc = 0    # 设置一个最佳准确率，作为最佳模型的判别指标for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, optimizer)model.eval()epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)# 保存最佳模型到 best_modelif epoch_test_acc > best_acc:best_acc   = epoch_test_accbest_model = copy.deepcopy(model)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 获取当前的学习率lr = optimizer.state_dict()['param_groups'][0]['lr']template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss, lr))# 保存最佳模型到文件中
PATH = './best_model.pth'  # 保存的参数文件名
torch.save(model.state_dict(), PATH)print('Done')

四、 结果可视化

1. Loss与Accuracy图

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率epochs_range = range(epochs)plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

2. 指定图片进行预测

from PIL import Image classes = list(total_data.class_to_idx)def predict_one_image(image_path, model, transform, classes):test_img = Image.open(image_path).convert('RGB')plt.imshow(test_img)  # 展示预测的图片test_img = transform(test_img)img = test_img.to(device).unsqueeze(0)model.eval()output = model(img)_,pred = torch.max(output,1)pred_class = classes[pred]print(f'预测结果是：{pred_class}')

# 预测训练集中的某张照片
predict_one_image(image_path='./PotatoPlants/Early_blight/1.JPG', model=model, transform=train_transforms, classes=classes)

3. 模型评估

best_model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, best_model, loss_fn)
epoch_test_acc, epoch_test_loss

五、调用官方的VGG-16网络框架、如何查看模型的参数量以及相关指标【使用torchvision.models以及torchsummary】

import torch
import torchvision.models as models
from torchsummary import summary# 检查设备
device = torch.device("mps") if torch.backends.mps.is_available() else torch.device("cpu")
print(f"Using device: {device}")# 加载官方 VGG-16 模型
# `pretrained=True` 表示加载在 ImageNet 上预训练的权重，改为 False 则为随机初始化
model = models.vgg16(pretrained=False).to(device)# 将模型移到 CPU 以使用 torchsummary
model_cpu = model.to("cpu")
summary(model_cpu, (3, 224, 224), device="cpu")# 完成后将模型移回原设备
model = model.to(device)

六、优化模型

数据预处理与加载

# 数据增强和标准化
train_transforms = transforms.Compose([transforms.RandomResizedCrop(224),  # 随机裁剪到指定大小transforms.RandomHorizontalFlip(), # 随机水平翻转，增强鲁棒性transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])test_transforms = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),        # 中心裁剪到 224x224transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])# 数据加载
total_data = datasets.ImageFolder("./PotatoPlants/", transform=train_transforms)print(f"Class-to-Index Mapping: {total_data.class_to_idx}")

1. 增加数据增强：
   • 在训练集上添加随机裁剪和翻转，提升模型的泛化能力。
2. 精细化测试集预处理：
   • 测试集使用中心裁剪，保证评估时一致性。
3. 增强输出信息：
   • 输出类别到索引的映射信息，便于调试。

VGG16 模型定义

from torchvision.models import vgg16# 加载预定义的 VGG16 模型
model = vgg16(pretrained=False)
model.classifier[6] = nn.Linear(4096, 3)  # 修改最后一层为 3 类输出
model = model.to(device)print(f"Model loaded to: {device}")

• 使用官方 VGG16：
  • 使用 torchvision.models 提供的标准 VGG16，提高模型可靠性。
• 定制最后一层：
  • 修改全连接层的输出大小为 3，适配当前分类任务。

优化超参数

import copy# 优化器参数调整
learning_rate = 3e-4  # 提高初始学习率
weight_decay = 1e-5   # 添加 L2 正则化，防止过拟合optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=weight_decay)# 损失函数保持不变
loss_fn = nn.CrossEntropyLoss()# 调整训练轮次和提前停止机制
epochs = 100  # 增加训练轮次
patience = 10  # 提前停止，当验证集准确率不再提升时停止训练
no_improve_epochs = 0# 记录最佳模型
best_acc = 0
best_model = Nonefor epoch in range(epochs):# 调整学习率调度器（余弦退火调度器）lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=epochs)# 训练和测试train_acc, train_loss = train(train_dl, model, loss_fn, optimizer)test_acc, test_loss = test(test_dl, model, loss_fn)# 检查是否是最佳准确率if test_acc > best_acc:best_acc = test_accbest_model = copy.deepcopy(model)no_improve_epochs = 0  # 重置提前停止计数else:no_improve_epochs += 1# 更新学习率lr_scheduler.step()# 打印日志print(f"Epoch {epoch+1}: "f"Train Acc: {train_acc*100:.2f}%, Train Loss: {train_loss:.4f}, "f"Test Acc: {test_acc*100:.2f}%, Test Loss: {test_loss:.4f}, "f"Learning Rate: {optimizer.param_groups[0]['lr']:.6f}")# 提前停止if no_improve_epochs >= patience:print(f"Early stopping at epoch {epoch+1}. Best Test Accuracy: {best_acc*100:.2f}%")break# 保存最佳模型
torch.save(best_model.state_dict(), './best_model.pth')
print("Training complete. Best model saved.")

1. 学习率调整

• 将学习率从 1e-4 增加到 3e-4，帮助更快收敛。也可以尝试 1e-3。
• 使用 余弦退火调度器 (CosineAnnealingLR)，动态调整学习率，使得后期优化更稳定。

2. 正则化

• 添加 weight_decay=1e-5（L2 正则化）到优化器中，限制权重过大，减少过拟合风险。

3. 训练轮次

• 将 epochs 从 40 提高到 100，确保模型有足够时间学习。
• 增加了 提前停止（early stopping），避免浪费计算资源。如果验证集准确率在连续 10 个 epoch 没有提升，训练提前结束。

4. 学习率调度器

• CosineAnnealingLR 在训练过程中动态调整学习率，前期快速下降，后期缓慢收敛，提高最终模型的效果。

5. 日志改进

• 在打印中添加当前学习率，便于跟踪学习率变化。

七、在不影响准确率的前提下轻量化模型

方法 1：减少全连接层的参数

VGG-16 的全连接层占了大部分参数（超过 90%）。我们可以通过以下方法减少参数量：

1. 减小全连接层的单元数量。
2. 去掉全连接层，改用全局平均池化（Global Average Pooling, GAP）。

from torchvision.models import vgg16
import torch.nn as nn# 加载预定义的 VGG16 模型
model = vgg16(pretrained=False)# 替换全连接层
model.classifier = nn.Sequential(nn.Linear(512 * 7 * 7, 1024),  # 从 4096 缩减到 1024nn.ReLU(),nn.Dropout(0.5),nn.Linear(1024, 256),  # 第二层从 4096 缩减到 256nn.ReLU(),nn.Dropout(0.5),nn.Linear(256, 3)  # 输出层保持不变
)

方法 2：引入深度可分离卷积

将标准卷积替换为深度可分离卷积（Depthwise Separable Convolution），减少参数量和计算量，同时保持模型性能。

import torch.nn as nnclass DepthwiseSeparableConv(nn.Module):def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0):super(DepthwiseSeparableConv, self).__init__()self.depthwise = nn.Conv2d(in_channels, in_channels, kernel_size=kernel_size, stride=stride, padding=padding, groups=in_channels)self.pointwise = nn.Conv2d(in_channels, out_channels, kernel_size=1)def forward(self, x):x = self.depthwise(x)x = self.pointwise(x)return x# 替换 VGG-16 的卷积层为深度可分离卷积
class LightweightVGG16(nn.Module):def __init__(self):super(LightweightVGG16, self).__init__()self.features = nn.Sequential(DepthwiseSeparableConv(3, 64, kernel_size=3, stride=1, padding=1),nn.ReLU(),DepthwiseSeparableConv(64, 64, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2),DepthwiseSeparableConv(64, 128, kernel_size=3, stride=1, padding=1),nn.ReLU(),DepthwiseSeparableConv(128, 128, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2),# 继续添加其他层)self.classifier = nn.Sequential(nn.Linear(512 * 7 * 7, 1024),nn.ReLU(),nn.Dropout(0.5),nn.Linear(1024, 256),nn.ReLU(),nn.Dropout(0.5),nn.Linear(256, 3))def forward(self, x):x = self.features(x)x = torch.flatten(x, 1)x = self.classifier(x)return x

方法 3：使用剪枝（Pruning）

剪枝可以通过删除冗余的神经元或通道来减少模型大小，同时保持性能。

from torch.nn.utils import prune# 对卷积层和全连接层进行剪枝
def prune_model(model, amount=0.3):for name, module in model.named_modules():if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):prune.l1_unstructured(module, name="weight", amount=amount)return model# 加载 VGG-16 模型
model = vgg16(pretrained=False)
model.classifier[6] = nn.Linear(4096, 3)  # 调整最后一层
model = prune_model(model, amount=0.3)

方法 4：量化（Quantization）

将浮点权重（32 位）量化为 8 位整数，显著减少模型的存储需求和计算量。

import torch.quantization# 模型静态量化
model = vgg16(pretrained=False)
model.classifier[6] = nn.Linear(4096, 3)  # 调整最后一层
model.qconfig = torch.quantization.get_default_qconfig('fbgemm')
torch.quantization.prepare(model, inplace=True)
torch.quantization.convert(model, inplace=True)

方法 5：知识蒸馏（Knowledge Distillation）

使用一个较大的 VGG-16 模型作为教师模型，训练一个较小的学生模型。

class StudentModel(nn.Module):def __init__(self):super(StudentModel, self).__init__()self.features = nn.Sequential(nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2),nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2),)self.classifier = nn.Sequential(nn.Linear(64 * 56 * 56, 256),nn.ReLU(),nn.Linear(256, 3))def forward(self, x):x = self.features(x)x = torch.flatten(x, 1)x = self.classifier(x)return x# 蒸馏过程
teacher_model = vgg16(pretrained=True)
student_model = StudentModel()
# 使用交叉熵 + KL 散度进行蒸馏

 对比

方法	参数量减少	优点	缺点
减少全连接层	大幅减少	易于实现，对准确率影响较小	可能稍微降低表达能力
深度可分离卷积	中等减少	显著减少计算量，对准确率影响较小	需替换所有卷积层
剪枝	根据需求减少	不改变结构，对性能影响小	剪枝率需调优
量化	大幅减少	存储效率高，对推理速度影响大	训练可能较复杂
知识蒸馏	可灵活调整	小模型高效，适合嵌入式设备	需额外训练教师模型

八、个人学习总结

首先，通过手动搭建VGG-16网络框架，我深入理解了卷积神经网络的构造原理。VGG-16的模块化设计让我明白了深度网络的构造并不复杂，只要按照合理的层叠规则，结合激活函数、池化操作等，就能有效提取图像的特征。手动实现的过程中，我熟悉了PyTorch的nn.Module以及各类层的使用方法，这种从零开始搭建的方式让我真正理解了每一层的作用。比如，在实现第一个卷积块时，我理解了小尺寸卷积核（3x3）在捕捉局部特征方面的优势。

其次，通过调用官方的VGG-16网络框架，我学会了如何快速使用预定义模型并进行定制化。具体来说，我尝试了将VGG-16的全连接层调整为适配我使用的马铃薯病害数据集的3分类输出，并验证了迁移学习在特定任务中的高效性。这让我认识到在实际项目中，与其从头开始训练一个模型，不如充分利用已经在大型数据集（如ImageNet）上预训练的模型，从而节省时间和计算资源。

在模型训练与优化方面，我深刻体会到学习率和正则化的重要性。例如，尝试将学习率从1e-4提升到3e-4并结合余弦退火调度器时，我观察到模型的收敛速度明显加快。同时，添加weight_decay作为L2正则化后，模型的泛化能力得到了提升，这让我理解了过拟合问题的解决思路。此外，我还实践了提前停止（early stopping），避免了不必要的计算浪费，并学会了如何在训练过程中保存最佳模型，这些都是非常实用的经验。

轻量化模型的探索是本次学习的一个亮点。通过减少全连接层的参数、引入深度可分离卷积、剪枝、量化以及知识蒸馏等方法，我了解到在不影响模型性能的前提下，如何显著减少参数量和计算量。这种思路对于部署在嵌入式设备上的模型尤其重要，比如使用深度可分离卷积替代标准卷积时，模型计算量减少的同时，分类准确率几乎没有下降。此外，尝试剪枝和量化让我对模型压缩技术的实际效果有了直观感受，也认识到这些技术在实际应用中的潜力和局限性。