ai-029Đọc toàn bộ đề miễn phí

Xây dựng và Huấn luyện Mạng Tích chập CNN Hoàn chỉnh (PyTorch CPU)

Xây dựng lớp CompactCNN(torch.nn.Module) và hai hàm train_one_epoch, evaluate_model.

AINâng cao45 phút

Tiến độ của tôi ở bài này

Điểm được lưu vào tài khoản sau khi chấm bài.

Đang tải điểm của bạn…

Kiến thức và chủ đề

deep-learningpytorchcnnlenetimage-classificationtraining-loop

Kiến thức tiên quyết: pytorch-dataset-dataloader-pipeline.

Nội dung đề bài3 cấp độ gợi ýPhân tích lời giảiCode tham khảo

Nội dung đề bài

Mục tiêu kiến thức

Xây dựng kiến trúc mạng CNN phân loại ảnh thu gọn:
Conv2d(1, 8, kernel_size=3, padding=1) -> ReLU -> MaxPool2d(2) (từ $28 \times 28$ thành $14 \times 14$ ).
Conv2d(8, 16, kernel_size=3, padding=1) -> ReLU -> AdaptiveAvgPool2d((4, 4)) (thành $16 \times 4 \times 4$ ).
Flatten() -> Linear(16 * 4 * 4, 32) -> ReLU -> Linear(32, num_classes).
Cài đặt đầy đủ 2 hàm huấn luyện và đánh giá:
train_one_epoch(model, dataloader, optimizer, criterion) -> dict[str, float]:
Phải gọi model.train().
Phải gọi optimizer.zero_grad(), loss.backward(), optimizer.step().
Trả về {"loss": float, "accuracy": float} trung bình của epoch.
evaluate_model(model, dataloader, criterion) -> dict[str, float]:
Phải chuyển sang model.eval() và dùng ngữ cảnh with torch.no_grad():.
Trả về {"loss": float, "accuracy": float} trên tập kiểm thử.

Yêu cầu

Xây dựng lớp CompactCNN(torch.nn.Module) và hai hàm train_one_epoch, evaluate_model.

Input

Hàm train_one_epoch(model, dataloader, optimizer, criterion): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.
Hàm evaluate_model(model, dataloader, criterion): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.

Output

Hàm train_one_epoch: Trả về kết quả kiểu dict[str, float] theo đúng đặc tả kỹ thuật và kích thước quy định.
Hàm evaluate_model: Trả về kết quả kiểu dict[str, float] theo đúng đặc tả kỹ thuật và kích thước quy định.

Ràng buộc

Thời gian chạy tối đa: 4000ms.
Giới hạn bộ nhớ: 512MB.
Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.

Ví dụ 1

Input

torch.manual_seed(42)
X = torch.randn(8, 1, 28, 28)
y = torch.tensor([0, 1, 0, 1, 0, 1, 0, 1], dtype=torch.long)
ds = TensorDataset(X, y)
loader = DataLoader(ds, batch_size=4, shuffle=False)
model = CompactCNN(num_classes=2)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = nn.CrossEntropyLoss()
res1 = train_one_epoch(model, loader, optimizer, criterion)
res2 = train_one_epoch(model, loader, optimizer, criterion)

Output

{
  'loss': 0.673357,
  'accuracy': 0.75
}

Giải thích

Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.

Ví dụ 2

Input

X = torch.randn(4, 1, 28, 28)
y = torch.tensor([0, 1, 0, 1], dtype=torch.long)
loader = DataLoader(TensorDataset(X, y), batch_size=4)
model = CompactCNN(num_classes=2)
criterion = nn.CrossEntropyLoss()
eval_res = evaluate_model(model, loader, criterion)

Output

{
  'loss': 0.698042,
  'accuracy': 0.5
}

Giải thích

Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.

3 cấp độ gợi ýMở dần khi bạn thật sự cần hỗ trợ.

Phân tích lời giảiGiải thích hướng tư duy và thuật toán.

Code tham khảoDùng để đối chiếu sau khi tự làm.

Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.

Góp ý & báo lỗi bài tập

Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.

Tiến độ của tôi ở bài này

Kiến thức và chủ đề

Nội dung đề bài

Mục tiêu kiến thức

Yêu cầu

Input

Output

Ràng buộc

Ví dụ 1

Input

Output

Giải thích

Ví dụ 2

Input

Output

Giải thích

Bài tập liên quan cùng chuyên đề

Góp ý & báo lỗi bài tập