日常·唠嗑

       8月1号写完了神经网络训练（二）:基于残差连接的图片分类网络(进阶篇②)，进行了概述及理论介绍，本篇继续写第四章，对本项目做一个总结。

4、结论

Fig21. Performance of our network

       通过使用ResNet18并根据我们的数据集改进ResNet18，在只训练10分钟的情况下我们的性能达到88.2%。通过对CIFAR数据集进行改进ResNet18模型的训练，我们观察到训练损失逐渐降低并趋近于稳定的趋势。这表明随着训练的进行，网络在学习过程中逐渐减少了预测错误的程度，对训练数据的拟合效果逐渐提高。初始阶段，由于网络参数的随机初始化，训练损失可能较高，但随着训练的进行，网络通过反向传播和优化算法的调整，逐渐找到了更好的权值参数，从而降低了训练损失。同时，我们也观察到测试精度逐渐提高并趋近于稳定的趋势。这意味着经过一定的训练迭代后，改进ResNet18模型在未见过的测试数据上的性能逐步增强。初始阶段，由于网络的不完全学习和泛化能力不足，测试精度可能较低。然而，随着模型在训练集上的训练和调整，它逐渐学习到了更有效的特征表示和更准确的分类决策边界，从而提高了在测试集上的性能表现。

       综上所述，在模