星罗棋布 - 藏星阁

本文记录了在 CIFAR-10 数据集上使用 SimpleCNN 模型进行的一次单轮训练测试实验。实验旨在验证代码框架和 GPU 加速流程，获得了 55.38% 的测试准确率，并确认了环境配置和训练流程的正常运行。

本实验报告记录了使用 DenseNet-121 模型结合 CutMix 数据增强和 OneCycleLR 学习率调度，在 SVHN 街景门牌号数据集上进行快速测试的过程。实验仅训练 1 轮，测试准确率达到 81.56%，验证了预训练模型在真实场景数字识别任务上的有效性和快速收敛能力。

本实验使用自定义轻量级 CNN 模型 STL10Net 在 STL-10 数据集上进行图像分类，最终获得 62.64% 的最佳测试准确率，并详细记录了环境配置、模型架构、训练过程和 GPU 加速效果。

本文详细记录了使用 ResNet-18 模型在 CIFAR-10 数据集上进行彩色图像分类的完整实验过程，包括环境配置、数据预处理、模型架构适配、训练代码及最终达到 90.18% 测试准确率的实验结果，并与普通 CNN 模型进行了性能对比。

本文详细记录了使用 PyTorch 和 GPU 加速训练深度卷积神经网络 (DeepEMNISTNet) 在 EMNIST Letters 数据集上进行字母识别的完整实验。实验最终取得了 95.19% 的最佳测试准确率，并提供了从环境配置、数据预处理、模型架构到训练过程及结果分析的全面报告。

本文介绍了常见问题排查主题，在系统性能下降的基础上进一步扩展到系统无法启动、软件包安装失败和文件系统无法挂载等问题，并对整套排障思路进行归纳总结。

基于 PyTorch 的轻量级 CNN 在 CIFAR-10 上训练分类，20 epoch 后最终测试准确率 78.98%（最佳 79.64%），模型参数约 1.12M，训练耗时约 6 分 32 秒。

本文介绍了系统性能下降这一常见问题，重点讲解如何检查系统负载、分析 CPU 与内存使用、优化进程优先级和改进磁盘 I/O，帮助读者形成基础的性能诊断流程。

基于 PyTorch 的轻量级 CNN FashionMNISTNet 在 Fashion-MNIST 上训练 10 轮后达到最佳测试准确率 92.27%，使用 Batch Size 128、Adam (lr 0.001)，模型约 87 万参数，GPU 训练耗时约 2 分 28 秒。