From 673acfc8e92c766caddb2795be02f3601cf37fc8 Mon Sep 17 00:00:00 2001
From: ZhouTimeMachine <99057383+ZhouTimeMachine@users.noreply.github.com>
Date: Thu, 21 Dec 2023 18:37:54 +0800
Subject: [PATCH] release hw4

---
 docs/hw4.md | 14 +++++++-------
 1 file changed, 7 insertions(+), 7 deletions(-)

diff --git a/docs/hw4.md b/docs/hw4.md
index 63bc323..9715504 100644
--- a/docs/hw4.md
+++ b/docs/hw4.md
@@ -2,8 +2,6 @@
 
 # HW4: Learning CNN
 
-!!! warning "U-Net 部分还未正式发布，内容和评分标准随时可能会更改"
-
 ## 实验简介
 
 - **深度学习**（Deep Learning）：[机器学习](https://zh.wikipedia.org/wiki/机器学习)的分支，是一种以[人工神经网络](https://zh.wikipedia.org/wiki/人工神经网络)为架构，对数据进行表征学习的[算法](https://zh.wikipedia.org/wiki/算法)
@@ -417,7 +415,7 @@ Model loaded
 - 使用 `Image.open()` 读入的单张图片需要利用 `torchvision.transforms` 进行适当的预处理。
     - Resize 为 572
     - 转换为 Tensor
-- 可能需要用到 `F.interpolate` 进行插值，和图片尺寸匹配
+- 可能需要用到 `torch.nn.functional.interpolate` 进行插值，和图片尺寸匹配
 - 模型的输入输出都具有 `[B, C, H, W]` 的格式
 - 模型直接产生的输出是一个 score。首先需要用 sigmoid 进行处理，然后使用一定的阈值来将其转换为 0-1 的 mask
 
@@ -456,19 +454,20 @@ def plot_img_and_mask(img, mask, filename):
       4. (bonus) 对超参、优化器、网络结构等进行**有意义**的探索实验，将给予适当的 bonus。不鼓励无意义的内卷堆实验，评分时将酌情考虑。
 2. U-Net：
       1. 提供的文件：[unet.py](../code/unet.py)、[try.py](../code/try.py)、[infer.jpg](../graph/infer.jpg)，model.pth 可以从[学在浙大](https://courses.zju.edu.cn)或钉钉群下载
-      2. 补全 `unet.py` 中的 `TODO`，使得所提供的训练好的模型可以被正确加载
-      3. 利用所提供的模型，推断[所提供的单张汽车图片](../graph/infer.jpg)的 mask
+      2. 补全 [unet.py](../code/unet.py) 中的 `TODO`，使得所提供的训练好的模型可以被正确加载
+      3. 利用所提供的模型，推断所提供的单张汽车图片([infer.jpg](../graph/infer.jpg))的 mask
 3. 作为一个探索，本次作业分数构成按如下划分：
       1. LeNet 基本要求：50
       2. U-Net 基本要求：50
       3. LeNet bonus：5
       4. 总分为该三部分之和，100 分封顶
-4. 你需要提交：
+4. **截止时间：2023 年 1 月 2 日上午**，详见[学在浙大](https://courses.zju.edu.cn)
+5. 你需要提交：
     1. 全部代码
     2. 实验报告，除了模板要求之外，还需要包含：
         1. 对于 LeNet-5，给出**模型的损失曲线、识别准确率曲线**等图表。可以利用 tensorboard 可视化训练过程并直接在其中截图，可以参考 [PyTorch](https://pytorch.org/tutorials/recipes/recipes/tensorboard_with_pytorch.html) 的官方教程完成配置。
         2. 对于 LeNet-5，你需要写明测试集上的**识别正确率**
-        3. 对于 U-Net 的 bonus，除了提交代码之外，报告中至少需要包含 `plot_img_and_mask` 函数生成的图片
+        3. 对于 U-Net，给出 `plot_img_and_mask` 函数生成的图片 ([infer.jpg](../graph/infer.jpg) 和所预测的 mask)
         4. U-Net 是原创实验，欢迎在报告感想部分提供反馈
     3. 代码应单独打包为压缩文件，命名为 `学号-姓名-CVHW4` 的格式。实验报告应当单独上传附件，保证可以在网页直接打开实验报告进行预览，命名任意。
 
@@ -482,6 +481,7 @@ def plot_img_and_mask(img, mask, filename):
 - LeNet 原论文 [Gradient-based learning applied to document recognition](https://ieeexplore.ieee.org/abstract/document/726791)
 - [PyTorch 扩展](https://pytorch.org/docs/stable/notes/extending.html)
 - [Dive into Deep Learning](https://d2l.ai/)
+- [Carvana 数据集](https://www.kaggle.com/competitions/carvana-image-masking-challenge/data)
 - U-Net 原论文 [U-Net: Convolutional Networks for Biomedical Image Segmentation](https://arxiv.org/abs/1505.04597)
 
 ## Acknowledgement