神经网络模型命名规则

神经网络模型命名通常会包含几个关键部分，以便于理解其架构、组成部分以及训练详情。以下是一些常见的命名规则：

1. **基础结构**: 模型的基础类型或架构名称，比如“ResNet”（残差网络）、“VGG”（Visual Geometry Group，视觉几何组）、“Inception”（Google提出的模型，因其分支结构类似人类识别过程）。

2. **版本或变种**: 如果有多个改进或衍生版本，可能会加上版本号，如“ResNet50”，“ResNet152”表示深度分别为50层和152层的ResNet模型。

3. **附加信息**: 可能包括特定层的数量、卷积核大小、池化策略等细节，例如“ResNet-50-v2”中，“v2”指代的是第二版的改动。

4. **优化器和学习率策略**: 如果涉及到特定的优化算法（如Adam、SGD）、学习率调整方法（如warm-up、cosine annealing），会在名字中注明，例如“EfficientNet-B7_warmup”。

5. **预训练状态**: 如果模型是在大规模预训练数据集上训练过的，可能会标记为“Pretrained”或“FineTuned”，如“BERT-Base-Cased”或“YOLOv3-TinyFrozen”。

6. **性能指标**: 有时，模型名会附带一些性能指标，如准确度（accuracy）、F1分数等，但这种做法并不普遍。

例如，一个完整的模型名可能是“DenseNet-121-ImageNet-pretrained”，它意味着这是一个基于DenseNet架构的模型，共有121层，已经在ImageNet数据集上进行了预训练。