第J2周：ResNet50V2算法实战与解析

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

batch_size=32：每次训练取32张图像组成一个 batch
img_size=(224, 224)：图像输入大小匹配 ResNet50 的输入要求
epochs=10：训练 10 个 epoch（每张图会被网络看到 10 次）
validation_split=0.2：80%训练，20%验证
subset 决定加载哪部分
seed=123 保证划分可复现
自动 resize 到 224x224，适配模型输入要求

Rescaling(1./255)：将图像缩放
map()：对所有图像应用归一化
cache()：将数据缓存到内存或磁盘，加快读取速度
shuffle(1000)：打乱训练集，防止过拟合
prefetch()：并行加载数据，提高 GPU 利用率

加载预训练的 ResNet50V2，使用 imagenet 权重
设置为 trainable = False，表示只训练添加的层，主干网络权重保持不变
GlobalAveragePooling2D()：将卷积后的 7x7 特征图变为一维向量
Dense(3, activation=‘softmax’)：输出3个类别的概率
Adam 优化器：自适应学习率算法，收敛快
sparse_categorical_crossentropy：因为图像标签是整数编码，需要使用sparse 版本
accuracy：分类准确率

模型会按 batch 大小循环训练，并在每轮后用验证集评估
返回 history 对象用于记录每轮的 loss/acc

保存模型结构 + 权重 + 优化器状态
在验证集上评估性能，输出损失和准确率

Train Acc约 61%（在第 1 个 epoch 就趋于稳定），Val Acc稳定在 61.5% 左右
rain Loss平稳下降，Val Loss跟随下降，说明无明显过拟合。