示例项目：图像分类对比实验

💡 第二条示例。当你有真实项目后，把这两条示例替换掉。

一句话概括

在不同骨干网络上做图像分类的公平对比实验，为后续选题积累 baseline。

实验设置

• 数据集：CIFAR-10，随机增强 + 标准化
• 设备：单卡 RTX 4090
• 固定种子、固定训练轮数，控制变量

结果

各模型在相同预算下的准确率：

ResNet-18     → 94.8%
ResNet-50     → 95.6%
ViT-small     → 95.1%  (需要更长训练)

遇到的坑

1. 学习率没有 warmup，ViT 一开始就发散
2. 忘了固定 seed，两次实验对不上

我的收获

• 实验前先写好固定的评估脚本，避免"不同代码各测各的"
• 训练日志用 --seed 区分，方便回看

仓库说明

代码结构、如何复现，写在仓库 README 里，这里保持页面简洁。