计算机视觉课程作业 2：CIFAR10 与 CIFAR100 数据集训练实践

资源下载链接为： https://pan.quark.cn/s/3234f162275f 本次计算机视觉课程的第二次作业，核心任务为针对 CIFAR-10 与 CIFAR-100 两个经典图像分类数据集，完成模型训练相关实践。 作业需围绕两类数据集的特性展开训练设计：CIFAR-10 数据集包含 10 个类别（如飞机、汽车、鸟类、猫等），每个类别含 6000 张 32×32 像素的彩色图像，总计 60000 张样本（50000 张训练集、10000 张测试集）；CIFAR-100 数据集则进一步细分出 100 个类别（涵盖植物、动物、日常物品等细分领域），同样包含 60000 张 32×32 像素彩色图像，训练集与测试集划分比例与 CIFAR-10 一致。 训练过程中需完成基础流程实践，包括数据集加载与预处理（如归一化、数据增强、划分训练 / 验证子集等）、模型构建（可选择 CNN 基础架构或经典网络改进版本）、训练参数设置（学习率、优化器、批大小、迭代次数等）、模型训练与监控（记录损失值、准确率变化，绘制训练曲线），以及最终在测试集上的性能评估（计算分类准确率、分析混淆矩阵等）。 作业需提交训练过程文档（含关键代码片段、参数配置说明）、训练结果分析（对比两类数据集上的模型表现差异，分析类别数量对训练难度的影响），以及模型性能优化思路（如数据增强策略调整、网络层数优化、正则化方法应用等），以完整呈现 CIFAR 系列数据集训练的实践逻辑与技术要点。