Add new file

4-模型改进/4.9-作业/readme.md

+# 消融实验作业
+# 消融实验作业
+
+本作业要求同学们选择**一个模型**（如 ViT、UNet、YOLO，或自己设计的模型），并在此基础上进行消融实验，旨在通过去除或添加不同模块，理解特征增强、模型优化等方法对模型性能的影响
+
+---
+
+## 实验内容
+
+1. **模型选择**
+
+   * 同学们需从以下模型中任选其一作为基线模型：
+
+     * Vision Transformer（ViT）
+     * UNet
+     * YOLO
+       或者使用自己构建的模型。
+
+2. **消融设计**
+   在基线模型的基础上，至少设计 2\~3 组消融实验，例如：
+
+   * 去掉某个特征增强方法（如数据增强模块）
+   * 去掉某个优化模块（如注意力机制、残差结构等）
+   * 修改损失函数（如仅使用 CrossEntropyLoss vs CrossEntropyLoss+Label Smoothing）
+   * 去掉正则化手段（如 Dropout、BatchNorm）
+
+3. **实验目标**
+
+   * 分析各个模块对最终实验结果的影响
+   * 输出实验对比表格
+   * 掌握如何通过消融实验验证模型设计的合理性
+
+---
+
+## 实验结果示例
+
+下表以图像分类章花朵分类为例子讲解：此实验选择 **ViT** 作为基线模型并进行消融实验的结果示例（仅作为示例，也可做去除模块的消融实验，具体可多参考论文）：
+
+| 模型          | Top-1 准确率 (%) | 说明                   |
+| ------------- | ------------- | -------------------- |
+| 基线模型 (ViT)    | 88.5          | 原始基线模型               |
+| + 数据增强模块      | 90.2          | 加入随机裁剪、颜色扰动等增强       |
+| + 注意力优化模块     | 91.0          | 加入轻量级注意力模块           |
+| + Dropout 正则化 | 91.3          | 改进后的完整模型（Full Model） |
+
+
+---
+
+## 注意事项
+
+* 确保每组实验的训练轮数、优化器设置等基本一致，以保证公平比较
+* 可以适当使用预训练模型进行 finetune
+* 消融实验需有**表格结果**，并附上对比分析
+
+