在本文中，我们介绍了两种基于 Tiny ImageNet 数据集的图像分类模型。我们从零开始构建了两个截然不同的网络，其设计灵感来源于密集连接卷积网络（Densely Connected Convolution Networks）。网络架构的设计考虑了该特定数据集的图像分辨率，并通过计算卷积层的感受野来优化。此外，我们还采用了一些非传统的技术，如图像增强和循环学习率（Cyclical Learning Rate），以提高模型的准确性。这些网络在高约束条件和低计算资源下进行了训练。我们的目标是实现 60% 的 top-1 验证准确率；文中也展示了实验结果和错误分析。