gghao's Lab

欢迎来到 gghao's Lab

2026-10-01T00:00:00.000Z

欢迎来到 gghao’s Lab。

Hi，我是 gghao，来自西北工业大学，是一名本科生。这里会记录课程学习、技术实践、开源项目和一些想法，内容会逐步更新。

完整文章用于说明问题背景、实验过程与结果；学习笔记用来整理较短的概念与实践记录。内容会在学习过程中继续修订。

本站现已迁移到 Astro 与 Firefly，继续使用 Markdown 整理文章。

2026-10-01T00:00:00.000Z

这篇文章整理自我的人工智能基础课程报告。原报告比较了 5 层普通 CNN、30 层普通 CNN 和 ResNet-18 在 CIFAR-10 图像分类任务上的表现。这里保留问题、实验设计和主要结果，便于在网页上阅读；原始课程资料可在 GitHub 查看。

简单堆叠卷积层不一定会提升性能。网络加深后，优化可能变得困难。ResNet 的残差块引入跳跃连接，让网络学习残差映射 F(x)，再与输入 x 相加，得到输出 H(x) = F(x) + x。这为信息和梯度提供了一条更直接的通路。

数据集为 CIFAR-10，包含 50,000 张训练图片和 10,000 张测试图片。报告使用 PyTorch，对三种网络进行了五组训练：

ResNet-18 针对 32 × 32 的输入图片调整了首层卷积，并移除了初始最大池化层。训练使用 Adam 优化器、随机水平翻转和随机裁剪等数据增强。不同训练轮数的结果分别列出，避免把训练时间差异藏在模型名称后面。

下表数值来自原课程报告的实验结果：

模型	训练轮数	测试集准确率	训练耗时
5 层 CNN	30	84.88%	20.04 分钟
5 层 CNN	100	87.86%	47.39 分钟
30 层普通 CNN	30	82.64%	21.36 分钟
ResNet-18	30	83.08%	18.31 分钟
ResNet-18	100	93.36%	64.26 分钟

在这组实验中，训练 100 轮的 ResNet-18 准确率最高。只看 30 轮时，它略低于 5 层 CNN；因此不能把“有残差连接”直接等同于“任何训练设置下都更准确”。30 层普通 CNN 的 30 轮结果也不能单独证明退化问题，因为报告中的损失曲线显示它仍在下降，训练可能尚未充分收敛。

残差连接的价值在于帮助深层网络优化，而比较模型时还要同时看训练轮数、数据增强和训练耗时。这个实验既展示了 ResNet-18 在充分训练后的潜力，也提醒我谨慎解释早期训练结果。

后续如果重新运行实验，我会优先补齐相同训练轮数下的对比，并记录随机种子与环境版本，让结果更容易复现。

2026-10-01T00:00:00.000Z

在普通卷积网络中，增加层数意味着模型需要逐层学习完整变换。ResNet 提供了另一种写法：让一组层学习残差 F(x)，最终输出 F(x) + x。当新加的层暂时学不到有用变化时，跳跃连接仍能把输入传到后面。

网络更深，不代表训练结果一定更好。 优化过程、训练轮数和结构细节都会影响结果。
一次实验结果，不等于普遍规律。 在课程报告整理中，ResNet-18 训练 30 轮的准确率是 83.08%，低于同轮数 5 层 CNN 的 84.88%；训练到 100 轮后，ResNet-18 达到 93.36%。

以后复现实验时，我会把各模型的训练预算设得更一致，再比较准确率与耗时。本文根据原始课程资料整理。