一、实验目的：

二、实验内容：

三、实验环境：

1. MindSpore2.1

2. ModelArts平台

3. PyCharm 2024.1.1（专业版）

四、实验详细实现过程

1.实验环境搭建

2.在notebook上进行花卉实验操作

3.报错警告问题的解决

4.使用pycharm pro远程调用华为云上的解释器来运行

1. 获取开发环境预置虚拟环境路径

2. 配置云上Python Interpreter







这里发现mindapore环境没有激活，所以出现问题，我退出重新激活后使用路径即可成功配置解释器。



解释器更新问题：



这个时候清除索引缓存或者重启IDE有效

5.实验进阶要求

3.保持其它设置不变，尝试多种epoch_size，观察不同值对训练过程的影响；是否有欠拟合、过拟合等现象发生。（提示：观察训练、测试性能。）

· epoch_size = 100,训练速度较快，但是准确度下降，不过不至于到欠拟合

· epoch_size = 400，训练速度较高且准确率非常高

· epoch_size = 800，训练时间非常久，且大概从500起loss都一直非常低，准确率虽然变高，但明显为过拟合

欠拟合（Underfitting）

Loss：在训练集上，如果模型的损失函数值一直较高，即使经过多轮迭代也没有明显下降，这可能表明模型无法充分捕捉数据中的模式，即存在欠拟合。

Accuracy：对于分类任务，如果模型在训练集上的准确率较低，并且随训练几乎无明显提升，说明模型可能过于简单，不能很好地拟合数据，也是欠拟合的表现。

过拟合（Overfitting）

Loss：在训练初期，训练集和验证集的损失都会下降。但若训练集的损失继续显著下降，而验证集的损失开始上升（形成一个U形或高原状），这通常是过拟合的迹象。模型在训练数据上学习到了不必要的细节和噪声，导致其泛化能力减弱。

Accuracy：对于分类任务，如果模型在训练集上的准确率极高，接近或达到100%，但在验证集上的准确率远低于训练集，且可能还有下降趋势，这强烈暗示着模型出现了过拟合。

4.尝试在conv3和conv4之间添加一个conv和pooling层，观察实验结果的变化。（提示：需要在__init__和construct两个方法中添加代码）

·增加conv，通道必须为128，128才能进行，修改使用1x1的卷积核，经查询，这种设置虽然不改变特征图的空间尺寸，但可以用于调整通道间的信息，常用于特征维度的降维或升维（这里由于通道数不变，主要起特征重校准作用）

·增加一个平均池层pooling，进行平均池化降采样

·修改construct，将新修改的两层加入到模型中使其生效

根据要求，在conv3和conv4之间添加一个conv和pooling层，其中这两者之间我通过激活函数是用来给网络引入非线性，通过在每一层之后添加ReLU激活函数，网络能够学习更复杂的函数映射，从而更好地处理非线性问题，有助于提升模型的表达能力和训练效率。

·观测训练结果变化：发现报错，是特征图尺寸设置的问题

·修改特征图尺寸，将pooling尺寸修改为不变