深圳高端网站建设模版如何使用mysql数据库做网站

深圳高端网站建设模版,如何使用mysql数据库做网站,长沙建网站,静态做网站在中等复杂度数据集#xff08;CIFAR-10#xff09;上#xff0c;差距迅速拉大 到这里#xff0c;一个重要问题浮现#xff1a; CNN 的优势到底来自“更大的数据集”还是来自“图像的空间结构”#xff1f; 换句话说#xff1a;是否即便不换更大的数据集#xff0c;只…在中等复杂度数据集CIFAR-10上差距迅速拉大到这里一个重要问题浮现CNN 的优势到底来自“更大的数据集”还是来自“图像的空间结构”换句话说是否即便不换更大的数据集只要破坏空间结构MLP 就会更吃亏本篇将从这一关键视角展开实验。一、实验目标本篇希望进一步回答 1. 如果我们“破坏图像的局部结构”MLP 与 CNN 谁更稳健 2. 当图像遭遇“局部遮挡”“随机噪声”“随机擦除”等扰动CNN 是否仍能保持较强泛化能力 3. 既然 MLP 完全依赖全局平铺输入空间破坏是否会对 MLP 造成毁灭性影响二、实验策略不再更换数据集而是更换扰动方式我们继续使用 CIFAR-10 —— 数据集本身不变。但重点修改“输入图像”通过注入不同类别的空间扰动让模型面临真正的对抗性挑战。本文采用一类典型扰动 1. Random Erasing随机擦除局部区域模拟遮挡随机挖掉图片中的一小块如 16×16广泛用于训练 CNN 的增强策略CNN 可通过周边区域补偿MLP 因完全 flatten会失去空间结构 → 特征被破坏三、实验步骤使用 CIFAR-10训练 MLP 与 CNN结构与上一章一致每种扰动分别训练 10 epoch记录训练集精度验证集精度收敛速度使用折线图展示 MLP vs CNN 的精度差异四、核心实验代码加入图像扰动增强以下为结构化 Demo方便直接复现实验。# -*- coding: utf-8 -*-# 卷积神经网络的引入4 —— 空间扰动下的 MLP 与 CNN 鲁棒性对比实验# Author: zhchoice# Date: 2025-11-XXimport torchimport torchvisionimport torch.nn as nnimport torch.nn.functional as Ffrom torch.utils.data import DataLoaderfrom torchvision import datasets, transformsimport matplotlib.pyplot as pltimport randomdevice mps if torch.backends.mps.is_available() else cpu# # 1️⃣ 扰动类型选择重点# # 可选 none / erasing / gaussian / cutoutAUG_TYPE erasingprint(f 使用扰动方式{AUG_TYPE})# # 2️⃣ 定义扰动函数核心部分# def add_gaussian_noise(img, mean0.0, std0.1):noise torch.randn_like(img) * std meanreturn torch.clamp(img noise, -1, 1)def cutout(img, size16):_, h, w img.size()y random.randint(size, h - size)x random.randint(size, w - size)img[:, y-size:ysize, x-size:xsize] 0return imgclass CutoutTransform:可在 transforms 中使用的 cutout 封装def __call__(self, img):return cutout(img)class GaussianNoiseTransform:高斯噪声封装def __call__(self, img):return add_gaussian_noise(img)# # 3️⃣ 图像增强 pipeline 设置# train_transforms [transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5)),]if AUG_TYPE erasing:train_transforms.append(transforms.RandomErasing(p1.0, scale(0.1,0.2)))elif AUG_TYPE gaussian:train_transforms.append(GaussianNoiseTransform())elif AUG_TYPE cutout:train_transforms.append(CutoutTransform())train_transform transforms.Compose(train_transforms)test_transform transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])# # 4️⃣ CIFAR10 数据加载# trainset datasets.CIFAR10(./data, trainTrue, downloadTrue, transformtrain_transform)testset datasets.CIFAR10(./data, trainFalse, downloadTrue, transformtest_transform)train_loader DataLoader(trainset, batch_size64, shuffleTrue)test_loader DataLoader(testset, batch_size256)# # 5️⃣ 定义模型沿用上一章# class MLP(nn.Module):def __init__(self, input_dim32*32*3, hidden1024):super().__init__()self.net nn.Sequential(nn.Flatten(),nn.Linear(input_dim, hidden),nn.ReLU(),nn.Linear(hidden, 10))def forward(self, x):return self.net(x)class CNN(nn.Module):def __init__(self, in_ch3):super().__init__()self.net nn.Sequential(nn.Conv2d(in_ch, 32, 3, padding1),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(2),nn.Conv2d(32, 64, 3, padding1),nn.BatchNorm2d(64),nn.ReLU(),nn.MaxPool2d(2),nn.Conv2d(64, 128, 3, padding1),nn.ReLU(),nn.AdaptiveAvgPool2d(1),nn.Flatten(),nn.Linear(128, 10))def forward(self, x):return self.net(x)# # 6️⃣ 训练 验证# loss_fn nn.CrossEntropyLoss()def train_one_epoch(model, loader, opt):model.train()tot_loss, tot_correct 0, 0for x, y in loader:x, y x.to(device), y.to(device)out model(x)loss loss_fn(out, y)opt.zero_grad()loss.backward()opt.step()tot_loss loss.item()tot_correct (out.argmax(1) y).sum().item()return tot_loss / len(loader), tot_correct / len(loader.dataset)def evaluate(model, loader):model.eval()tot_correct 0with torch.no_grad():for x, y in loader:x, y x.to(device), y.to(device)tot_correct (model(x).argmax(1) y).sum().item()return tot_correct / len(loader.dataset)# # 7️⃣ 实验执行# mlp MLP().to(device)cnn CNN().to(device)opt_mlp torch.optim.Adam(mlp.parameters(), lr1e-3)opt_cnn torch.optim.Adam(cnn.parameters(), lr1e-3)epochs 10mlp_train, mlp_test [], []cnn_train, cnn_test [], []for ep in range(epochs):_, acc_m train_one_epoch(mlp, train_loader, opt_mlp)_, acc_c train_one_epoch(cnn, train_loader, opt_cnn)val_m evaluate(mlp, test_loader)val_c evaluate(cnn, test_loader)mlp_train.append(acc_m)cnn_train.append(acc_c)mlp_test.append(val_m)cnn_test.append(val_c)print(f[{ep1}/{epochs}] MLP val{val_m:.3f} | CNN val{val_c:.3f})# # 8️⃣ 画精度曲线# plt.figure(figsize(10,6))plt.plot(range(1,epochs1), mlp_train, r--o, labelMLP Train)plt.plot(range(1,epochs1), mlp_test, r-, labelMLP Val)plt.plot(range(1,epochs1), cnn_train, b--o, labelCNN Train)plt.plot(range(1,epochs1), cnn_test, b-, labelCNN Val)plt.title(fAccuracy Curve under Perturbation: {AUG_TYPE})plt.xlabel(Epoch)plt.ylabel(Accuracy)plt.grid(True)plt.legend()plt.tight_layout()plt.show()五、训练结果表现image从本次 “Random Erasing随机擦除” 的实验结果中我们能够观察到以下几个清晰结论CNN 在局部遮挡下的鲁棒性显著优于 MLP从第 1 个 epoch 起CNN 验证集精度0.426MLP 验证集精度0.437两者相差不大。但随着训练继续进行CNN 的表现开始快速提升最终 CNN val ≈ 0.660而 MLP val ≈ 0.505CNN 的验证精度始终保持 10%~15% 的稳定优势并且在整个训练过程中曲线平滑、稳步上升。结论CNN 对于随机擦除造成的局部结构破坏具有天然抗性而 MLP 曲线提升缓慢且上限更低。随机擦除对 MLP 的影响远大于对 CNN 的影响从曲线可以看到MLP 的训练曲线与验证曲线始终存在明显 gap且验证集精度增长缓慢后期几乎进入停滞随机擦除破坏了 MLP flatten 后的全局向量使模型难以恢复有效特征而 CNN即便被遮挡一部分区域仍能通过局部卷积核从未被遮挡的区域提取足够信息验证曲线平滑且稳定上升这表明MLP 缺乏空间补偿机制一旦局部像素被破坏整体特征都会被扰乱而 CNN 则具备“局部容错”能力。CNN 的收敛速度明显快于 MLP观察前 3 个 epochCNN val从 0.426 → 0.562 → 0.590MLP val从 0.437 → 0.465 → 0.475CNN 的增长速度更快曲线也更陡峭。CNN 在早期就掌握了稳健的局部纹理特征而 MLP 则需要更长时间才开始学习到有效结构。随机擦除反而进一步凸显了 CNN 的优势与上一章无扰动相比CNN 在 erasing 下精度略降但仍维持高稳定性与高上限MLP 在 erasing 下损失明显加剧最终验证精度也更低这说明扰动越强MLP 越脆弱扰动越强CNN 越体现其辨识局部结构的能力。 最终总结卷4核心结论基于本次实验数据可以明确得出CNN 的优势不依赖于更大的数据集而是来源于“空间结构敏感性 局部特征补偿能力”。随机擦除本质上破坏了局部纹理部分语义区域MLP 由于 flatten 特性完全没有空间意识局部损坏会扰乱整个输入向量因此验证精度严重受损CNN 则可以靠周边特征补偿缺失的信息保持稳定学习在遮挡环境下仍能正确分类因此