Ta的回复 ：网络结构：计算每层网络结构和输入输出尺寸和参数个数。不加BN？更深？每层的尺寸变化？更多结构？ 不考虑BATCH_SIZE且只考虑前向过程的情况下，输入images尺寸为[3,32,32]，因为图片为RGB三通道，宽和高均为32。第一卷积池化层参数包括w：[20,3,5,5]，b：[20]，其中20为当层卷积核个数（通道数），3为输入images通道个数（前层通道数），5×5为卷积核大小，第一卷积池化层后的Batchnorm参数包括w：[20]，b：[20]，因为第一卷积池化层有20个通道。Batchnorm会把按通道计算均值和方差来进行正则化。类似，第二卷积池化层参数包括w：[50,20,5,5]，b：[50]，第二卷积池化层后的Batchnorm参数包括w：[50]，b：[50]，第三卷积池化层参数包括w：[50,50,5,5]，b：[50]，全连接层w：[50,10]，b：[10]。因为是10分类，输出层尺寸为[10]。optimizer.minimize(avg_cost)函数输出为元组(optimize_ops, params_grads)，其中params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，即参数，grad是该Parameter对应的梯度值。

Ta的回复 ：2班+追云戏月

Ta的回复 ：二班+追云戏月  尝试不同的Loss函数和优化算法（SGD、Momentum、Adagrad、Adam），观察效果的变化，最好的选择是什么？为什么？ 分类问题的Loss函数一般用cross_entropy。默认的学习率和EPOCH_NUM下，各优化算法下cost随着iter的变化趋势（其中momentum优化算法动量因子为0.9），可以看到Adam下降最快，其次为Momentum和Adagrad，cost下降最慢为SGD。从下降速度角度来看，优先选择Adam。另外比赛过程中，一般采用SGD，会获得更好的成绩。 [图片]

Ta的回复 ：二班+追云戏月 3、尝试不同的样本数量：随着每个类别样本数量由少变多，模型准确率变化的曲线是怎样的？每个类别至少有多少张图片可支撑一个准确率尚可的模型？ 使用图像分类模型识别世界的万事万物是否可行？ 不修改参数的前提下，分别采用不同的样本数量（10000,20000,30000,40000和50000），test集的准确率逐渐上升。10000张图片每个分类大概1000张，不优化模型的前提下，准确率大致可达55%。 [图片] 数据集读取方式修改paddle.dataset.cifar模块（略微变动，红色框）。cifar10数据集中训练集包括5个pickle文件，每个pickle文件10000张图片，可以设定不同的样本数量。调用train10函数，通过sub_names设定包括的训练集，默认情况下使用所有训练集。 [图片] [图片]

Ta的回复 ：使用图像分类模型识别世界的万事万物是否可行？ 每天都会有新的事物诞生，图像分类模型识别 世界万事万物存在困难。

Ta的回复 ：4、使用模型实践：拍一些身边宠物狗的照片（或网上找），处理成32*32尺寸后试试模型效果，准或不准的原因是什么？ 随手拍了附近的小猫和小狗，默认的参数下，test集准确率只有65%，预测时均不准。模型尚需优化才行。 [图片][图片]

Ta的回复 ：我的建议：尽快出中级工程师考证，然后完善下初级工程师考级的学习资料。 我的建议：ai studio跑代码时，在A地打开一个浏览器运行项目（例如后台运行10小时），然后在B地打开浏览器运行该项目会重新打开一个后台，而非看到在A地正在运行的状况，建议完善。