目录
- 🐴系统演示
- 前言
- 🐴一、ResNet50
-
- ⚡⚡ResNet50 模型结构图
- 🐴二、数据集准备
-
- ⚡⚡社区下载
-
- ☑️1.1 国外网站
- ☑️1.2 国内网站
- ⚡⚡爬虫
-
- ☑️Crawl4AI
- ☑️爬取百度图片（随时失效）
- ⚡⚡数据集划分
- 🐴三、环境配置教程
-
- 🀄️🀄️PyCharm实用小技巧
- 📗📗环境配置（无需安装环境版）
- 🐴四、ResNet50训练
-
- ⚡⚡训练完整代码下载
- ⚡⚡模型搭建
- ⚡⚡损失函数和优化器
- ⚡⚡本地训练
- ⚡⚡租用 GPU 服务器训练 （AutoDL 平台）
- ⚡⚡租用 CSDN 的星图 AI 训练，博主已经配置好训练和推理的环境（星图 AI 平台）
- 🐴五、ResNet50预测和验证
- 🐴六、解决训练过程中断怎么继续上次训练
- 总结
🐴系统演示
本科、硕士、科研等必备系统，ResNet + LLM大模型应用，接入 AI 大模型聊天系统，点击下面的链接查看。
本篇对应的系统链接： 基于ResNet + LLM大语言模型的分类识别系统设计与实现，Web前后端分离，Django+vue3+AI助手模块+ResNet50算法+LLM 联动+Element Plus等技术，全网独发
模型剪枝教程： 待更新
前言
2015年，ResNet 就来到 152 层在当年取得 ImageNet 竞赛冠军，相关论文在 CVPR 2016 斩获最佳论文奖，ResNet-152 曾经称呼为“史上最深的网络”，不过不得不说在分类任务上识别准确率比较高的，但模型的参数也会随着增加。不像 VGG 单纯堆叠卷积层的思路，难道增加网络就会模型就会一定有性能提升吗？这个是不一定的。可能越深的层都会面临
