- 🍨 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
自动检测系统是否有可用的 GPU（CUDA），如果有就使用 GPU，否则使用 CPU。
设定包含图像文件的目录，并将其转换为 Path 对象。
获取 data_dir 中所有文件（或文件夹），生成的是一个 Path 对象列表，储存在 data_paths 中。
组成字符集合 char_set，用于车牌字符可能出现的全集。
char_set 是所有可能字符的集合。
char_set_len 是字符种类数量。
label_name_len 是每个 label 的字符数长度。
对每个字符进行 one-hot 编码，每行表示该位置上的字符。
对 classeNames 中所有车牌标签进行编码，得到 all_labels 列表。
all_labels: 即上一段生成的标签列表。
data_paths_str: 图像路径列表（字符串路径）。
transform: 数据增强操作。根据索引读取图像并转为 RGB。
定义了数据增强管道 train_transforms：
Resize(224, 224): 调整图像大小为 ResNet 常用尺寸。
ToTensor(): 转为 PyTorch 的张量格式。
Normalize(...): 按照 ImageNet 的均值与标准差进行归一化处理。
按照 80% : 20% 的比例划分训练集和测试集。使用 random_split 确保划分是随机的。
使用 batch_size=16，对训练和测试集分别构造了 DataLoader。shuffle=True 代表每个 epoch 都会打乱数据顺序。
迭代 test_loader 中的一个 batch（图像 X 和标签 y）。
break:只取第一个 batch。
X.shape:输出图像张量的形状。
self.conv1 → conv5：5层卷积，每层带 BatchNorm
self.pool：2次 MaxPooling
self.fc1：全连接层，输出为 label_name_len * char_set_len
self.reshape：将扁平输出 reshape 为多字符 one-hot 格式
输入图像尺寸是 3×224×224
卷积层参数：kernel=5, stride=1, padding=0
MaxPool 参数：kernel=2, stride=2
最终扁平后尺寸是 24×50×50
用于将 batch_size, 483 reshape 为 batch_size, 7, 69，每张图预测7个字符，每个字符是69类分类问题。
训练时输出 shape 和标签一致（batch_size, 7, 69）
输入图像尺寸为 (3, 224, 224)，使用 torchsummary 可视化每一层的输出 shape 和参数数目。
test()：用于评估模型在测试集上的平均 loss。
model.eval()：进入评估模式。
torch.no_grad()：测试时不记录梯度，节省显存。
loss_model(pred, y)：计算损失。
test_loss /= num_batches：输出平均损失。
train()：训练一个 epoch。
model.train()：切换到训练模式。
zero_grad()：梯度清零
outputs = model(images)：前向传播
loss.backward()：反向传播
optimizer.step()：更新权重
每1000步打印一次当前 loss。
train()：每个 epoch 执行一次训练。
test()：每个 epoch 后评估模型。
test_acc_list：存储每轮的准确率。
test_loss_list：存储每轮的平均 loss。
从 Epoch 1 到 Epoch 30，Loss 稳定下降，在 Epoch 20 之后趋于平稳，说明模型未过拟合。