1. 深度学习工具栈与框架

基于PyTorch生态开展工作，使用其核心模块完成不同任务：

• torch.nn（构建神经网络层与模型）、torch.optim（优化器，如 Adam）、torch.nn.functional（函数式操作，如激活函数、池化）构建模型与训练流程；
• torch.utils.data.DataLoader实现数据批量加载与多线程加速；
• torchvision用于图像数据集（CIFAR10）加载与数据增强，结合transforms完成数据预处理。

2. 卷积神经网络（CNN）模型设计

实现了多种 CNN 结构，覆盖从简单到经典的网络设计思路：

• 自定义 CNN（CNNNet、Net、LeNet）：通过 “卷积层 + 池化层 + 全连接层” 的组合，体现 CNN 的基本结构逻辑（特征提取→特征压缩→分类）。
• 经典 VGG 模型（VGG）：采用 “小卷积核（3×3）+ 多次卷积 + 池化” 的深度网络设计，还通过模块化构建（_make_layers方法）和配置列表（cfg）灵活生成网络层；同时引入BatchNorm2d加速训练、提升稳定性。

3. 数据预处理与加载

针对 CIFAR10 图像数据集，完成高效的数据 pipeline：

• 数据增强：训练集通过RandomCrop（随机裁剪）、RandomHorizontalFlip（随机水平翻转）增加数据多样性，缓解过拟合；
• 标准化：通过Normalize将图像数据归一化到指定均值和标准差，加速模型收敛；
• 批量加载：DataLoader实现按批次加载数据，并支持多线程（num_workers）提升数据读取效率。

4. 硬件加速与设备管理

通过torch.device自动判断是否存在 GPU（cuda），将模型与数据迁移到 GPU 上，利用硬件加速深度学习计算，提升训练与推理速度。

5. 集成学习（模型集成）

采用投票机制的模型集成策略，提升泛化能力：

• 训练阶段：同时训练多个模型（如CNNNet、Net、LeNet），共享优化器并同步更新参数；
• 推理阶段：对测试数据，收集多个模型的预测结果，通过 “多数表决”（collections.Counter统计最多票数）得到集成模型的最终预测，利用多模型的多样性降低预测误差。

6. 模型训练与评估流程

实现了深度学习标准的 “训练 - 评估” 闭环：

• 训练循环：遍历 epoch 和 batch，完成 “前向传播→损失计算→反向传播→参数更新” 流程；
• 评估逻辑：切换模型到eval模式（禁用 BatchNorm、Dropout 等训练特有的层行为），计算单个模型与集成模型的准确率，量化性能表现。

7. 优化与损失函数

• 优化器：使用Adam优化器，自适应调整学习率，提升训练效率；
• 损失函数：采用交叉熵损失（CrossEntropyLoss），适配多分类任务的损失计算。

这些技术覆盖了深度学习从 “数据处理→模型设计→训练优化→集成提升” 的全流程，体现了现代深度学习任务的核心实践思路。