最新

免责声明：英语不是我的母语。我使用了大型语言模型来帮助我清晰地撰写帖子。 大家好， 我只是想分享我的项目，并希望得到一些反馈。 目标：如今大多数图像模型都过于庞大，对于基本任务来说是杀鸡用牛刀。本项目探索了在保持图像分类模型功能的前提下，通过将其精简到最基本程度，我们可以将其做得多么小巧。 当前进展和结果： 猫 vs. 狗分类：使用 25,000 张图像的数据集，通过滤波器组预处理和紧凑型 CNN 完成的第一个任务。 模型参数低于 12.5k 时，测试精度高达 86.87%。 几个参数低于 5k 的模型达到了 83% 以上的准确率，展示了强大的效率-性能权衡。 CIFAR-10 分类：使用 CIFAR-10 数据集的第二个已完成任务。这种方法仅依赖于紧凑型 CNN 架构，没有滤波器组预处理。 一个 22.11k 参数的模型达到了 87.38% 的准确率。 一个 31.15k 参数的模型达到了 88.43% 的准确率。 所有代码和实验都可以在我的 GitHub 存储库中找到：<a href="https:&#x2F;&#x2F;github.com&#x2F;SaptakBhoumik&#x2F;TinyVision" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;SaptakBhoumik&#x2F;TinyVision</a> 我希望您能查看该项目并告诉我您的反馈！ 如果您觉得有趣，也请点个星。

我用 Compose Multiplatform 构建了这个项目，后端使用 C++ 实现了流体模拟和渲染。欢迎提出任何反馈！