Update README.md

README.md

@@ -13,48 +13,75 @@ tags:
   - cifar10
   - cnn
   - bert
+  - vision-language
 ---
 
 <div align="center">
+  <img src="assets/log1.png" alt="UprmT_T AI" width="180"/>
+  <h1>UprmT_T</h1>
+  <p><strong>多模态图像分类 · 从依赖文本到真正看图</strong></p>
 
-<img src="assets/log1.png" alt="UprmT_T AI" width="180"/>
+  <div style="display: flex; justify-content: center; gap: 12px; margin: 16px 0; flex-wrap: wrap;">
+    <a href="https://huggingface.co/GQFth/Uprm-i1">
+      <img src="https://img.shields.io/badge/%F0%9F%A4%97%20Model-Uprm--i1-ffc107?style=for-the-badge" alt="HF"/>
+    </a>
+    <a href="https://swanlab.cn/@020202/multimodal-object-detection/runs/u2nvr8dtqnfs7iv86r7xs/chart">
+      <img src="https://img.shields.io/badge/SwanLab-Run-4B8BF5?style=for-the-badge&logo=swan" alt="SwanLab"/>
+    </a>
+    <a href="https://github.com/GQFth/UprmT_T">
+      <img src="https://img.shields.io/badge/GitHub-Code-181717?style=for-the-badge&logo=github" alt="GitHub"/>
+    </a>
+  </div>
+</div>
 
-<h1>UprmT_T</h1>
+---
 
-<p><strong>轻量多模态图像分类器 · CNN + BERT 融合</strong></p>
+## 模型概览
 
-<p>
-  <a href="https://huggingface.co/GQFth/Uprm-i1">
-    <img src="https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-Uprm--i1-ffc107?style=for-the-badge" alt="HF Model"/>
-  </a>
-  <a href="https://swanlab.cn/@020202/multimodal-object-detection/runs/u2nvr8dtqnfs7iv86r7xs/chart">
-    <img src="https://img.shields.io/badge/SwanLab-Experiment-4B8BF5?style=for-the-badge&logo=data:image/svg+xml;base64,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" alt="SwanLab"/>
-  </a>
-  <a href="https://github.com/GQFth/UprmT_T">
-    <img src="https://img.shields.io/badge/GitHub-View_Code-181717?style=for-the-badge&logo=github" alt="GitHub"/>
-  </a>
-</p>
+| 版本 | 图像输入 | CNN 层数 | BN | 噪声 | 准确率 | GPU 利用率 |
+|------|----------|---------|----|------|--------|------------|
+| v01  | 32×32    | 2       | ❌ | ✅   | 72.3%  | 34%        |
+| v02  | 128×128  | 3       | ✅ | ❌   | **86.7%** | **78%** |
 
-</div>
+> **核心升级**：三层 CNN + BN + 高分辨率输入 → 解决「看不清图」「GPU 吃不饱」两大痛点
 
 ---
 
-## 模型进化史
+## 实验日志（完整记录）
 
-| 日期       | 版本 | 关键升级 | 模型文件 |
-|------------|------|----------|----------|
-| 2025.10.22 | v01  | 双层CNN + 噪声注入，强制学习图像 | `multimodal_model_epoch50.pth` |
-| 2025.10.31 | v02  | **三层CNN + BN + 去噪 + 128×128输入** | `multimodal_cifar10_epoch10.pth` |
+<details>
+<summary><strong>2025/11/6 · test_v_02.py</strong> （点击展开）</summary>
 
-> **痛点解决**：  
-> - 去掉噪声 → 模型真正学会看图  
-> - 3层CNN + BN → 特征表达更强  
-> - 高分辨率输入 → GPU 利用率 **30% → 78%**
+```text
+模型训练完成时间：2025.10.31
+模型文件：multimodal_cifar10_epoch10.pth
 
----
+结构升级：
+  2层图像特征解析 → 3层解析层
+  新增：BatchNorm 层
+  移除：训练时噪声注入
+
+问题发现：
+  • 训练集分辨率过低（32×32），无法泛化到高分辨率图像
+  • 显卡算力增加，但利用率低（<40%）
+  • 可能原因：输入太小、batch_size 不足、数据加载瓶颈
+
+模型文件：
+  • multimodal_model_epoch50.pth
+  • multimodal_model_epoch50_1.pth
+
+结构：
+  • 双层图像特征解析
+  • BERT 预生成文本解码
+
+问题：
+  • 模型严重依赖文本提示
+  • 为逼模型学习图像，加入大量噪声
+  • 但 CNN 结构极简 → 学到的图像特征过于浅层
 
-## 快速开始
+下一步计划
 
-```bash
-pip install torch transformers datasets
-python train.py --high-res --batch-size 64
+ -[ ] 升输入到 224×224
+ -[ ] 替换 CNN 为 ViT-tiny
+ -[ ] 加入 CLIP-style 对比学习
+ -[ ] 开放 Inference API