模型布局逻辑： 本项目使用的DenseNet模型由多个麋集块（Dense Block）和过渡层（Transition Layer）组成，每个麋集块内的层与层之间通过麋集毗连（dense connections）相互毗连。DenseNet的核心创新在于每一层的输入是前面全部层的输出的拼接（concatenation），通过这种毗连方式，信息流动得以加强，同时也提拔了特征的重用。 Dense Layer：在麋集层中，每一层的输出定义为：
x l = H l ( [ x 0 , x 1 , … , x l − 1 ] ) x l = H l ( [ x 0 , x 1 , … , x l − 1 ] ) x l = H l ( [ x 0 , x 1 , … , x l − 1 ] ) xl=Hl([x0,x1,…,xl−1])x_{l} = H_{l}([x_0, x_1, \dots, x_{l-1}])xl=Hl([x0,x1,…,xl−1]) xl=Hl([x0,x1,…,xl−1])xl=Hl([x0,x1,…,xl−1])xl=Hl([x0,x1,…,xl−1])
其中，xl是第lll层的输出，Hl是通过Batch Normalization（BN）、ReLU激活函数和卷积操作定义的非线性变更，[x0,x1,…,xl−1]表现来自前面全部层的拼接结果。Dense Layer的两个重要部分：
1x1卷积，用于低落维度并镌汰盘算复杂度。
3x3卷积，用于提取特征。 Transition Layer：在每个Dense Block之间，会有过渡层（Transition Layer），其目的是通过1x1卷积和2x2平均池化（Average Pooling）镌汰特征图的数量和尺寸。假设输入的维度为Fin，过渡层的输出为：
x t r a n s i t i o n = AvgPool ( Conv1x1 ( x ) ) x_{transition} = \text{AvgPool}(\text{Conv1x1}(x)) xtransition=AvgPool(Conv1x1(x))
过渡层不仅能控制网络复杂度，还能避免模型过拟合。 团体架构：DenseNet的团体布局是由多个Dense Block堆叠而成，每个Dense Block之间通过Transition Layer毗连。在末了一层，通过全局平均池化（Global Average Pooling）来将高维的特征图压缩成固定大小的向量，接着毗连一个全毗连层（Fully Connected Layer）用于分类。 模型的团体训练流程： 模型的训练分为以下几个步骤： 前向传播：输入图像经过多层卷积层、麋集毗连层和过渡层后，提取出高维特征，最终通过全局平均池化层和全毗连层输出类别预测。 丧失盘算：使用交叉熵丧失函数（Cross-Entropy Loss）来度量模型输出与真实标签之间的误差：
L = − 1 N ∑ i = 1 N ∑ j = 1 C y i j log ( y ^ i j ) L = - \frac{1}{N} \sum_{i=1}^{N} \sum_{j=1}^{C} y_{ij} \log(\hat{y}_{ij}) L=−N1i=1∑Nj=1∑Cyijlog(y^ij)
其中，N为样本数量，C为类别数，yij为第iii个样本的真实标签，y^ij为模型的预测概率。 反向传播与优化：通过反向传播盘算梯度，更新模型参数。优化器选择了Adam，能够自适应调整学习率，加快收敛。学习率的动态调整确保了训练过程中更为稳定的参数更新。 评估指标：模型的评估指标重要是分类准确率（Accuracy），通过在验证集上的表现来监控模型的泛化能力。分类准确率定义为：
Accuracy = 精确分类的样本数 总样本数 \text{Accuracy} = \frac{\text{精确分类的样本数}}{\text{总样本数}} Accuracy=总样本数精确分类的样本数
另外，还使用了混淆矩阵（Confusion Matrix）来评估每个类别的分类效果。
5. 核心代码具体解说
