# resnet

**Repository Path**: he-ruixue/resnet

## Basic Information

- **Project Name**: resnet
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-06-05
- **Last Updated**: 2024-06-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 实验报告：ResNet模型对Fashion MNIST数据集进行分类
### 1. 实验背景
Fashion MNIST数据集是一个替代MNIST手写数字数据集的流行图像数据集，包含10类不同的时尚物品，每个图像是28x28像素的灰度图像。我们选择使用ResNet模型来对该数据集进行分类，以评估ResNet在图像分类任务上的性能。

### 2. 实验目的
实现一个简化版的ResNet模型（ResNet-18）。
使用PyTorch对Fashion MNIST数据集进行分类。
评估模型在测试集上的准确率和损失。
### 3. 实验方法
##### 3.1 数据预处理
使用torchvision.transforms对图像进行标准化处理，包括转换为Tensor和标准化。
使用torchvision.datasets加载Fashion MNIST数据集，包括训练集和测试集。
使用DataLoader创建数据加载器，设定批量大小为64。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240605220431.png)
##### 3.2 模型设计
ResNet（Residual Network）是一种深度神经网络，具有残差连接（skip connections），使得在训练过程中可以避免梯度消失问题。我们实现了一个简化版的ResNet-18模型，包含以下几个部分：

BasicBlock：基础块，包含两个卷积层和批量归一化层。
ResNet主模块：包含多个BasicBlock模块，以及初始的卷积层和全连接层。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240605220449.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240605220501.png)

##### 3.3 训练和评估
使用交叉熵损失函数和Adam优化器。
模型训练过程中，每个epoch都计算训练损失和准确率。
在测试集上评估模型性能，记录每个epoch的测试损失和准确率。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240605220514.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240605220525.png)
### 4. 实验结果
在10个epoch的训练过程中，模型逐渐收敛，训练损失和测试损失逐渐下降，测试集上的准确率逐渐提高。以下是实验的部分结果：
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240605220756.png)
### 5. 结果分析
ResNet模型在Fashion MNIST数据集上的表现良好，经过10个epoch的训练，测试集上的准确率达到了91.04%。这表明ResNet模型具有较强的图像分类能力，特别是在处理复杂图像数据时表现出色。

### 6. 结论
通过本次实验，我们验证了ResNet模型在图像分类任务上的有效性。尽管ResNet-18是一个相对较浅的网络，但在Fashion MNIST数据集上仍然能够取得较高的准确率。未来的工作可以尝试使用更深的ResNet模型或其他高级卷积神经网络架构，以进一步提升分类性能。