本次任务选用paddlepaddle完成cifar10图像分类。

1. 安装paddlepaddle：https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/develop/install/pip/windows-pip.html#cpu
2. 使用官网提供的baseline跑一下实验结果：

可以看到loss在前几个epoch快速下降，accuracy不断提升并最终稳定在0.70附近。

3. 观察修改输入输出通道对模型效果的影响 输入输出通道前后对比： 之前： self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=32, kernel_size=(3, 3)) self.conv2 = paddle.nn.Conv2D(in_channels=32, out_channels=64, kernel_size=(3,3)) self.conv3 = paddle.nn.Conv2D(in_channels=64, out_channels=64, kernel_size=(3,3)) 之后： self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=12, kernel_size=(3, 3)) self.conv2 = paddle.nn.Conv2D(in_channels=12, out_channels=24, kernel_size=(3,3)) self.conv3 = paddle.nn.Conv2D(in_channels=24, out_channels=64, kernel_size=(3,3))

发现loss高于原模型，同时accuracy也比原模型要低

中间很好奇对性能的要求：

4. 将batch_size从32调整为64

发现与原模型相比没有很大的提升

5. 将learning_rate调整从0.001调整为0.004

发现准确率低了很多 尝试调整为0.002

与原模型效果没有什么差别 尝试调整为0.00001，为了观察效果，增加了epoch_num

发现准确率稳步上升，但是到后面的轮次的时候上升趋势放缓，因此放弃了通过增加轮次来提升accuracy值使其突破0.75。

6. 将batch_size调整为2

发现一开始就达到了较理想的情况，后面变化不大。