Επισκόπηση
Μια συστηματική σύγκριση συνελικτικών αρχιτεκτονικών στο σύνολο COVID-19 Radiography: δύο custom CNN, ένα υπολειμματικό CNN βασισμένο σε BasicBlock, ResNet50 από το μηδέν και ένα προεκπαιδευμένο fine-tuned ResNet50.
Τι έφτιαξα
Custom φορτωτής συνόλου με οπτικοποίηση παρτίδων, πέντε εναλλακτικές διαμορφώσεις μοντέλων, early stopping και logs με γραφήματα. Το CLI εκτίμησε εκ των προτέρων τη χρήση VRAM (13,62 GB εκπαίδευση / 4,54 GB επικύρωση στην αναφορά) και μπορεί να κλειδώσει σύνολα δεδομένων στη μνήμη GPU — αντιμετωπίζοντας τη μνήμη ως περιορισμό μηχανικής πρώτης τάξης και όχι ως απροσδόκητη αποτυχία στο τέλος των runs.
Το ίδιο αποθετήριο φιλοξενεί γραμμικές βασικές γραμμές λογιστικής παλινδρόμησης, συμπεριλαμβανομένου GIF προόδου εκπαίδευσης, σχηματίζοντας πλήρη εξέλιξη από γραμμικά βασικά μοντέλα έως βαθιά δίκτυα.
Τεχνικά highlights
- Διαδρομές ResNet50 από το μηδέν και με προεκπαίδευση έναντι custom CNN
- Ρητός προϋπολογισμός VRAM και σύνολα στη μνήμη GPU
- Αναπαράξιμα logs και γραφήματα ανά διαμόρφωση
Αποτέλεσμα
Πλήρης συγκριτική μελέτη με τεκμηριωμένα αποτελέσματα και πλήρη αναπαραγωγιμότητα.