CV核心课程：计算机视觉中的图像分类实例（矿泉水瓶分类作为案例）

提取摘要
文档内容概述
该文件详细介绍了深度学习课程中的内容与实践过程，涵盖以下几方面：
自定义数据集构建

• 使用Bottle库加载并处理水瓶图片数据集。
• 实现了图像增强（旋转、裁剪等）和分类标签处理。
• 展示了如何将图像文件读取并转换为PyTorch tensor格式。
  ResNet网络开发
• 介绍了基于PyTorch框架的深度学习框架。
• 展示了如何使用预训练的ResNet18网络（不修改结构）进行微调。
• 提供了从零开始构建ResNet18网络的方法，并详细描述了每一层的操作逻辑。
  模型训练与优化
• 比较了从零开始微调全连接层与迁移学习两种方法的效果。
• 通过交叉熵损失函数计算分类损失，并使用Adam优化器进行参数更新。
• 展示了利用Visdom工具实时绘制损失曲线和验证准确率曲线的方法。
  迁移学习与改进
• 在迁移学习方法基础上结合双线性层（Bilinear）改进分类器。
• 通过前向传播获取特征后进行双线性变换以提高类别区分度。
• 展示了完整的预测结果可视化过程。
  预测结果检查
• 使用Visdom工具可视化测试集样本及其真实标签和预测结果。
• 展示了单个批次样本的图像及预测结果的文字信息输出。

---

摘要
该文档详细介绍了深度学习课程中的内容与实