深度学习与PyTorch入门实战 - 63. 迁移学习-自定义数据集实战

## 自定义数据集实战总结 本文主要围绕自定义数据集与迁移学习的实现过程展开，核心内容如下： ### 课程概述 - **主题**: 使用深度学习与PyTorch进行自定义数据集实战。 - **主讲**: 龙良曲。 - **主要内容**: 加载自定义数据、从零开始训练、迁移学习。 ### 实战步骤 实战分为以下四个核心步骤： 1. **加载数据**: - 使用PyTorch提供的`torch.utils.data.Dataset`类，自定义数据集。 - 需实现`__len__`（数据集长度）和`__getitem__`（获取数据样本）方法。 2. **构建模型**: - 无具体内容展示，重点在数据加载和迁移学习。 3. **训练与测试**: - 包括数据预处理、模型训练、测试验证等。 4. **迁移学习**: - 在预训练模型基础上调整适配自定义任务。 - 相关参考资料链接： - - ### 数据集构成 自定义数据集包含以下类别及其样本量： - 皮卡丘: 234 - 超梦: 239 - 杰尼龟: 223 - 小火龙: 238 - 妙蛙种子: 234 数据集按比例分配： - **训练集**: 60% - **验证集**: 20% - **测试集**: 20% - 示例计算： - 皮卡丘类训练样本: 60% * 234 = 138 - 验证样本: 20% * 234 = 46 - 测试样本: 20% * 234 = 46 ### 核心要点 课程的核心目标是掌握自定义数据集的加载与处理，并结合迁移学习进行模型优化。通过这一流程，学员能够： 1. 实现从数据加载到模型训练的完整流程。 2. 掌握迁移学习的实际应用场景与优势。 3. 理解数据集的分割与预处理方法。 课程简洁明了地介绍了深度学习与PyTorch的实战技巧，是入门实战的良好起点。