📋 Project Overview

2025 年北京邮电大学 BUPT 神经网络与深度学习课程实验合集。

Note

源码仅供参考和学习使用，请自主完成实验。

✨ Structure

每一个实验内容包含：

1. 实验报告
2. 源代码

📋Content

1. CIFAR-10 图像分类问题
2. CV基础：CNN 中的 VGG 模型应用
3. 自编码器的实现：SAE、VAE
4. 图像风格迁移的应用
5. Transformer实现语义分析

🔗 Pretrained Model

以百度网盘的方式提供训练好的模型。

网盘链接：

通过网盘分享的文件：深度学习训练模型 链接: https://pan.baidu.com/s/1HZZpnj3DcQZ2dLDiALe8Lg?pwd=p16p 提取码: p16p

1.实验一 CIFAR-10

该部分有数个预训练模型，适配不同的实验要求：

模型名	备注	卷积层数	Cov 层神经元	全连接层神经元	激活函数
cifar_net.pth	原始模型	三层	3 -> 16 -> 32 -> 64	1024 -> 120 -> 84 -> 10	ReLU
CIFAR-5layer-CNN.pth	模型对比的五层CNN模型	五层	3 -> 16 -> 32 -> 64 -> 128 -> 128	同上	ReLU
CIFAR-CNN-LeakyReLU.pth		三层	同一	同上	LeakyReLU
CIFAR-CNN-ReLU.pth	原始模型	三层	同一	同上	ReLU
CIFAR-CNN-Sigmoid.pth		三层	同一	同上	Sigmoid
CIFAR_wideCov.pth	更多的卷积层神经元	三层	32 -> 64-> 128	同上	LeakyReLU
CIFAR_wideFC.pth	更多的全连接层神经元	三层	同一	1024 -> 256 -> 128 -> 10	LeakyReLU
CIFAR_with_softmax.pth	最后一层使用 softmax	三层	同一	同一	ReLU

![NOTE] 模型对比参考此篇文章

2. 实验二 CNN

1. best_food_cnn.pth：自定义 4 层 Cov + 三层 FC 的预训练模型
2. best_vgg16.pth：预训练 VGG16 模型

3. 实验三 自编码器与风格迁移

![NOTE] 自编码器预训练模型未提供，但比较简单， RTX 4060 5分钟左右就能训练一个不错的效果

1. 解码模型：style_transfer/pytorch-AdaIN/experiments/ 为解码器模型训练时，不同迭代轮次保存的模型。命名格式：decoder_iter_<epoches>.pth.tar
2. vgg_normalised.pth：VGG 预训练模型

4. 实验四 Transformer 语义分类模型

模型名：best_model_6layers_v2.pth

📄 License

MIT License - See the LICENSE file for details.