尧图网站建设 
简介这份资源是面向深度学习入门者与计算机视觉方向学生的CNN猫狗图像识别实战项目包围绕图像分类这一经典任务提供从数据准备到模型部署的完整实践路径。包内共26个文件以jpg与png图片示例、py源码脚本、zip数据压缩包为主另附PDF案例文档、txt程序说明与md说明文件整体约49.3MB结构清晰便于按模块查阅。项目涵盖数据集收集与清洗、图片尺寸调整与归一化、数据增强、基于TensorFlow或PyTorch的CNN模型构建、训练与验证调参、测试泛化评估以及部署应用等环节并配有卷积神经网络案例讲解文档与预测效果截图帮助读者理解VGG、ResNet等常见结构的设计思路。已有314人学习下载适合希望掌握图像分类全流程、积累项目经验并对照源码复现实验的读者参考。1. 从一份猫狗识别项目源码说起CNN 图像分类到底能跑多快很多人第一次接触深度学习都是从「猫狗分类」这个经典任务开始的。它足够简单——两类、图像清晰、数据量可控又足够典型——卷积、池化、全连接、反向传播一个都不少。你手上这份「Python实战项目-基于CNN的猫狗图像识别检测分类项目源码数据集PDF文档.zip」本质上就是把这条链路完整走了一遍从原始 JPG 图片到训练脚本到推理接口再到一份能对照着看的 PDF 说明。但问题往往出在「跑通」和「跑好」之间。新手拿到源码第一反应是python train.py然后发现路径不对、显存爆了、准确率卡在 50% 不动。熟手则会先看数据分布、输入尺寸、batch size 和优化器配置再决定要不要改网络结构。这篇文章不假设你手里已经解压了那份压缩包而是按「如果我要从零复现一个 CNN 猫狗分类项目该怎么做」的思路把选型、代码、参数和踩坑点讲清楚。适合刚装完 Python 想找个项目练手的人也适合想把这套流程迁移到自己数据集上的工程师。2. 数据准备与 CNN 输入管道猫狗数据集怎么读、怎么分、怎么增强2.1 猫狗图像分类的数据集结构长什么样常见的猫狗数据集有两种组织方式。一种是按类别分文件夹dataset/ train/ cats/ cat.001.jpg ... dogs/ dog.001.jpg ... val/ cats/ dogs/另一种是扁平目录加 CSV 标注文件每行是filename,label。这份项目源码大概率用的是第一种因为ImageFolder直接支持不需要写自定义 Dataset。如果你拿到的数据集只有Cat和Dog两个大文件夹没有划分训练验证集那第一件事就是按 8:2 或 7:3 做分层抽样保证两边类别比例一致。注意不要用random.shuffle直接切猫狗各 1000 张时随机切可能导致验证集里猫 180 张、狗 220 张评估指标会飘。2.2 用 torchvision 搭一条可复现的输入管道下面这段代码是我一般会先跑通的「最小数据管道」不涉及模型只确认图片能正常读进来、维度对得上、增强没把猫变成狗。import os from torchvision import datasets, transforms from torch.utils.data import DataLoader, random_split # 训练增强随机裁剪 翻转 颜色抖动验证只做 resize 和归一化 train_tf transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomResizedCrop(224, scale(0.8, 1.0)), transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) full_ds datasets.ImageFolder(dataset/train, transformtrain_tf) n_val int(len(full_ds) * 0.2) n_train len(full_ds) - n_val train_ds, val_ds random_split(full_ds, [n_train, n_val]) val_ds.dataset.transform val_tf # 验证集换增强 train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4) print(full_ds.classes, len(train_ds), len(val_ds))逻辑说明ImageFolder按文件夹名自动生成 0/1 标签random_split做随机划分。这里有个细节——val_ds.dataset.transform val_tf会同时改掉训练集的 transform因为两者共享同一个dataset对象。正确做法是分别建两个ImageFolder或者用Subset包一层自定义 transform。我见过不少人在这里翻车验证准确率虚高就是因为验证集也做了随机翻转和裁剪。参数说明Resize((256,256))再RandomResizedCrop(224)是 ImageNet 时代的经典组合先放大再裁保留更多纹理。Normalize的均值和方差必须和预训练权重一致如果你从零训练可以用数据集统计值但用预训练模型时不要改。batch_size32在 8GB 显存下跑 224×224 的 ResNet 基本安全显存小就降到 16同时把num_workers调到 2 或 0 避免 Windows 下的多进程报错。2.3 数据增强的边界哪些操作会破坏猫狗语义随机翻转、小角度旋转、颜色抖动对猫狗分类是安全的。但垂直翻转要慎用——猫狗倒过来虽然还是猫狗但预训练模型没见过这种分布可能掉点。随机擦除Random Erasing可以加但面积别超过 0.2否则猫脸被遮住就成狗了。CutMix 和 MixUp 在猫狗这种细粒度不高的任务上收益有限反而让训练变慢我一般不加。另外如果你用的是自己拍的照片注意背景偏差。有些数据集里猫都在室内、狗都在草地模型可能学的是背景而不是动物。这时候要做的是检查混淆矩阵而不是继续调学习率。3. 从零搭一个 CNN 还是拿预训练模型微调猫狗分类的选型账3.1 两种路线的算力与精度对比路线训练数据量单卡 8GB 可跑收敛 epoch验证准确率参考从零训练 4 层 CNN2000是30-5075%-85%ResNet18 微调500是10-2092%-97%VGG16 微调1000勉强15-2593%-96%EfficientNet-B0 微调500是10-1594%-97%从零训练适合教学能看清每一层在干什么。但如果你目标是「做一个能用的猫狗识别接口」直接微调 ResNet18 或 EfficientNet-B0 更划算。这份项目源码如果标题写的是「基于 CNN」大概率是一个自定义的 3-5 层卷积网络配合CrossEntropyLoss和Adam。你可以先跑通它再把 backbone 换成torchvision.models.resnet18(pretrainedTrue)只改最后一层fc通常一个 epoch 就能看到明显提升。3.2 自定义 CNN 的最小实现与参数含义import torch import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(3, 32, kernel_size3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 224 - 112 nn.Conv2d(32, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 112 - 56 nn.Conv2d(64, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 56 - 28 nn.Conv2d(128, 256, kernel_size3, padding1), nn.BatchNorm2d(256), nn.ReLU(inplaceTrue), nn.AdaptiveAvgPool2d(1) # 任意尺寸 - 1x1 ) self.classifier nn.Linear(256, num_classes) def forward(self, x): x self.features(x) x torch.flatten(x, 1) return self.classifier(x) model SimpleCNN() print(sum(p.numel() for p in model.parameters()) / 1e6, M params)逻辑说明四层卷积每层后接 BN 和 ReLU池化把空间尺寸逐步减半最后用AdaptiveAvgPool2d(1)把特征图压成向量避免全连接层参数量爆炸。padding1配合kernel_size3保持宽高不变只有池化在降采样。BN 放在卷积和激活之间能加速收敛、缓解梯度消失。参数说明num_classes2对应猫狗二分类损失函数用nn.CrossEntropyLoss()它内部已经包含 softmax不要在前向里再加。优化器Adam(lr1e-3)是安全起点如果 loss 震荡就降到1e-4。权重初始化默认是 Kaiming不用手动改。这个模型大约 1.1M 参数8GB 显存下 batch size 可以开到 64。3.3 微调时该冻哪些层、学习率怎么设拿 ResNet18 举例常见做法是import torchvision.models as models import torch.nn as nn model models.resnet18(pretrainedTrue) for param in model.parameters(): param.requires_grad False # 先冻住全部 model.fc nn.Linear(512, 2) # 只训练新分类头 # 第二阶段再解冻 layer4用更小的学习率第一阶段只训fc学习率1e-3跑 3-5 个 epoch。第二阶段解冻layer4学习率降到1e-4再跑 5-10 个 epoch。layer1和layer2学的是边缘和纹理猫狗任务不需要动。如果你数据量超过 5000 张可以解冻到layer3但要注意过拟合。提示pretrainedTrue在 torchvision 新版本里会提示弃用改成weightsmodels.ResNet18_Weights.DEFAULT效果一样。4. 训练循环、评估指标与推理脚本把模型跑出可用结果4.1 训练循环里必须记录的四个量import torch from torch import nn, optim from tqdm import tqdm device torch.device(cuda if torch.cuda.is_available() else cpu) model SimpleCNN().to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr1e-3) for epoch in range(20): model.train() running_loss, correct, total 0.0, 0, 0 for imgs, labels in tqdm(train_loader): imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * imgs.size(0) preds outputs.argmax(1) correct (preds labels).sum().item() total labels.size(0) train_loss running_loss / total train_acc correct / total model.eval() val_loss, val_correct, val_total 0.0, 0, 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) outputs model(imgs) loss criterion(outputs, labels) val_loss loss.item() * imgs.size(0) val_correct (outputs.argmax(1) labels).sum().item() val_total labels.size(0) print(fEpoch {epoch1}: train_loss{train_loss:.4f} ftrain_acc{train_acc:.4f} val_loss{val_loss/val_total:.4f} fval_acc{val_correct/val_total:.4f})逻辑说明每个 epoch 先model.train()开 BN 和 dropout再model.eval()关掉。loss.item() * imgs.size(0)是为了按样本数加权平均避免最后一个 batch 不满时均值偏差。argmax(1)取第二维最大值索引对应类别 0 或 1。参数说明optimizer.zero_grad()必须放在前向之前否则梯度会累加。tqdm只是进度条不影响训练。如果你发现val_acc一直卡在 0.5先检查标签是不是全 0 或全 1再看学习率是不是太大导致输出全同。4.2 混淆矩阵和分类报告比准确率更有用准确率在类别不平衡时会骗人。猫 900 张、狗 100 张时全预测猫也有 90% 准确率。用sklearn.metrics打一份报告from sklearn.metrics import classification_report, confusion_matrix import numpy as np model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) preds model(imgs).argmax(1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) print(confusion_matrix(all_labels, all_preds)) print(classification_report(all_labels, all_preds, target_names[cat, dog]))逻辑说明confusion_matrix输出 [[TN, FP], [FN, TP]]能看出是把猫认成狗多还是狗认成猫多。classification_report给出每类的 precision、recall、f1。如果猫的 recall 明显低于狗说明模型偏向狗可能是狗的图像多样性更高需要给猫做更多增强或调整类别权重。4.3 单张图片推理脚本与阈值选择from PIL import Image import torch.nn.functional as F def predict(image_path, model, transform, device): model.eval() img Image.open(image_path).convert(RGB) tensor transform(img).unsqueeze(0).to(device) with torch.no_grad(): logits model(tensor) probs F.softmax(logits, dim1) conf, pred probs.max(1) label dog if pred.item() 1 else cat return label, conf.item() label, conf predict(test.jpg, model, val_tf, device) print(label, round(conf, 4))逻辑说明unsqueeze(0)增加 batch 维度softmax把 logits 转成概率。conf是模型对当前预测的置信度低于 0.7 时建议人工复核。如果你要做「检测」而不只是「分类」那需要换目标检测框架猫狗分类项目本身不输出边界框。参数说明推理时的 transform 必须和验证集一致不能加随机增强。Image.open().convert(RGB)处理灰度图和 RGBA 图避免三通道报错。5. 避坑与排查猫狗分类项目里最容易翻车的五个地方5.1 现象训练 loss 下降但验证准确率不动原因验证集 transform 和训练集混用或者验证集里图片路径读错标签全变成 0。也可能是 BN 在model.eval()时统计量不对但这种情况少见。解决单独打印验证集前 10 个样本的标签和预测值确认不是全 0。检查val_ds.dataset.transform是否被训练增强覆盖。用两个独立ImageFolder分别加载训练和验证目录。5.2 现象CUDA out of memory原因batch size 太大、图片分辨率太高、模型参数量大或者num_workers开太多导致内存泄漏。解决先把 batch size 降到 8 试跑确认能跑通再往上加。224×224 是安全分辨率不要一上来就 512。用torch.cuda.empty_cache()清理缓存但根本办法是减小 batch。如果还不行把模型换成 ResNet18 或 MobileNetV3。5.3 现象Windows 下 DataLoader 报BrokenPipeError或卡死原因num_workers 0时 Windows 的多进程 spawn 机制和 Jupyter/IDE 冲突。解决把num_workers设为 0或者把训练代码包在if __name__ __main__:里。Linux 下一般没这个问题但 Docker 里共享内存不足时也会卡加--shm-size2g。5.4 现象模型把猫狗都预测成同一类原因学习率太大导致输出饱和或者标签编码错了比如猫狗都映射成 0或者最后一层没换预训练模型输出 1000 类你只取了前 2 类。解决打印model.fc.out_features确认是 2。用CrossEntropyLoss时标签必须是long类型不能是float。学习率从1e-4开始试观察 logits 的方差如果全在 ±0.01 以内说明没学到东西。5.5 现象推理时准确率远低于验证准确率原因推理图片的预处理和验证集不一致比如忘了Normalize、用了Resize但没CenterCrop、或者图片是 BGR 通道OpenCV 读进来是 BGRPIL 是 RGB。解决把推理脚本里的 transform 打印出来和验证集逐行对比。用 PIL 读图不要混用cv2.imread。如果必须用 OpenCV加cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。6. 把猫狗分类迁移到自己的数据集三个改法和一个验证习惯这套流程跑通之后真正有价值的是把它用到你自己的两类或多类图像上。第一个改法是换数据目录把cats和dogs改成你的类别名ImageFolder会自动按文件夹名排序生成标签注意类别顺序是字母序不是你在代码里写的顺序。第二个改法是改num_classes二分类改多分类时CrossEntropyLoss不用动fc层输出维度改成类别数。第三个改法是调整增强策略如果你的图像是工业缺陷检测随机翻转和颜色抖动可能不适用换成随机灰度、小范围平移和高斯噪声。验证习惯上我一般会留一个「黄金测试集」——从原始数据里单独切出 50-100 张不参与训练和验证只在最后跑一次。如果黄金测试集准确率和验证集差超过 5 个百分点说明验证集泄漏或者过拟合了。这个习惯帮我省过很多次后悔药因为验证集调参调久了人会对数字麻木黄金测试集是最后的黑匣子。另外如果你打算把这个模型部署成接口不要直接torch.save(model)存整个模型存state_dict更安全加载时先实例化结构再load_state_dict。输入图片在服务端做 resize 和归一化客户端只传原图。批量推理时把多张图拼成一个 batch比单张循环快 3-5 倍。这些细节在 PDF 文档里不一定写但实际用起来差别很大。希望帮到你。本文还有配套的精品资源点击获取 CNN猫狗图像分类实战：从数据管道到模型微调与避坑指南
简介这份资源是面向深度学习入门者与计算机视觉方向学生的CNN猫狗图像识别实战项目包围绕图像分类这一经典任务提供从数据准备到模型部署的完整实践路径。包内共26个文件以jpg与png图片示例、py源码脚本、zip数据压缩包为主另附PDF案例文档、txt程序说明与md说明文件整体约49.3MB结构清晰便于按模块查阅。项目涵盖数据集收集与清洗、图片尺寸调整与归一化、数据增强、基于TensorFlow或PyTorch的CNN模型构建、训练与验证调参、测试泛化评估以及部署应用等环节并配有卷积神经网络案例讲解文档与预测效果截图帮助读者理解VGG、ResNet等常见结构的设计思路。已有314人学习下载适合希望掌握图像分类全流程、积累项目经验并对照源码复现实验的读者参考。1. 从一份猫狗识别项目源码说起CNN 图像分类到底能跑多快很多人第一次接触深度学习都是从「猫狗分类」这个经典任务开始的。它足够简单——两类、图像清晰、数据量可控又足够典型——卷积、池化、全连接、反向传播一个都不少。你手上这份「Python实战项目-基于CNN的猫狗图像识别检测分类项目源码数据集PDF文档.zip」本质上就是把这条链路完整走了一遍从原始 JPG 图片到训练脚本到推理接口再到一份能对照着看的 PDF 说明。但问题往往出在「跑通」和「跑好」之间。新手拿到源码第一反应是python train.py然后发现路径不对、显存爆了、准确率卡在 50% 不动。熟手则会先看数据分布、输入尺寸、batch size 和优化器配置再决定要不要改网络结构。这篇文章不假设你手里已经解压了那份压缩包而是按「如果我要从零复现一个 CNN 猫狗分类项目该怎么做」的思路把选型、代码、参数和踩坑点讲清楚。适合刚装完 Python 想找个项目练手的人也适合想把这套流程迁移到自己数据集上的工程师。2. 数据准备与 CNN 输入管道猫狗数据集怎么读、怎么分、怎么增强2.1 猫狗图像分类的数据集结构长什么样常见的猫狗数据集有两种组织方式。一种是按类别分文件夹dataset/ train/ cats/ cat.001.jpg ... dogs/ dog.001.jpg ... val/ cats/ dogs/另一种是扁平目录加 CSV 标注文件每行是filename,label。这份项目源码大概率用的是第一种因为ImageFolder直接支持不需要写自定义 Dataset。如果你拿到的数据集只有Cat和Dog两个大文件夹没有划分训练验证集那第一件事就是按 8:2 或 7:3 做分层抽样保证两边类别比例一致。注意不要用random.shuffle直接切猫狗各 1000 张时随机切可能导致验证集里猫 180 张、狗 220 张评估指标会飘。2.2 用 torchvision 搭一条可复现的输入管道下面这段代码是我一般会先跑通的「最小数据管道」不涉及模型只确认图片能正常读进来、维度对得上、增强没把猫变成狗。import os from torchvision import datasets, transforms from torch.utils.data import DataLoader, random_split # 训练增强随机裁剪 翻转 颜色抖动验证只做 resize 和归一化 train_tf transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomResizedCrop(224, scale(0.8, 1.0)), transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) full_ds datasets.ImageFolder(dataset/train, transformtrain_tf) n_val int(len(full_ds) * 0.2) n_train len(full_ds) - n_val train_ds, val_ds random_split(full_ds, [n_train, n_val]) val_ds.dataset.transform val_tf # 验证集换增强 train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4) print(full_ds.classes, len(train_ds), len(val_ds))逻辑说明ImageFolder按文件夹名自动生成 0/1 标签random_split做随机划分。这里有个细节——val_ds.dataset.transform val_tf会同时改掉训练集的 transform因为两者共享同一个dataset对象。正确做法是分别建两个ImageFolder或者用Subset包一层自定义 transform。我见过不少人在这里翻车验证准确率虚高就是因为验证集也做了随机翻转和裁剪。参数说明Resize((256,256))再RandomResizedCrop(224)是 ImageNet 时代的经典组合先放大再裁保留更多纹理。Normalize的均值和方差必须和预训练权重一致如果你从零训练可以用数据集统计值但用预训练模型时不要改。batch_size32在 8GB 显存下跑 224×224 的 ResNet 基本安全显存小就降到 16同时把num_workers调到 2 或 0 避免 Windows 下的多进程报错。2.3 数据增强的边界哪些操作会破坏猫狗语义随机翻转、小角度旋转、颜色抖动对猫狗分类是安全的。但垂直翻转要慎用——猫狗倒过来虽然还是猫狗但预训练模型没见过这种分布可能掉点。随机擦除Random Erasing可以加但面积别超过 0.2否则猫脸被遮住就成狗了。CutMix 和 MixUp 在猫狗这种细粒度不高的任务上收益有限反而让训练变慢我一般不加。另外如果你用的是自己拍的照片注意背景偏差。有些数据集里猫都在室内、狗都在草地模型可能学的是背景而不是动物。这时候要做的是检查混淆矩阵而不是继续调学习率。3. 从零搭一个 CNN 还是拿预训练模型微调猫狗分类的选型账3.1 两种路线的算力与精度对比路线训练数据量单卡 8GB 可跑收敛 epoch验证准确率参考从零训练 4 层 CNN2000是30-5075%-85%ResNet18 微调500是10-2092%-97%VGG16 微调1000勉强15-2593%-96%EfficientNet-B0 微调500是10-1594%-97%从零训练适合教学能看清每一层在干什么。但如果你目标是「做一个能用的猫狗识别接口」直接微调 ResNet18 或 EfficientNet-B0 更划算。这份项目源码如果标题写的是「基于 CNN」大概率是一个自定义的 3-5 层卷积网络配合CrossEntropyLoss和Adam。你可以先跑通它再把 backbone 换成torchvision.models.resnet18(pretrainedTrue)只改最后一层fc通常一个 epoch 就能看到明显提升。3.2 自定义 CNN 的最小实现与参数含义import torch import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes2): super().__init__() self.features nn.Sequential( nn.Conv2d(3, 32, kernel_size3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 224 - 112 nn.Conv2d(32, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 112 - 56 nn.Conv2d(64, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 56 - 28 nn.Conv2d(128, 256, kernel_size3, padding1), nn.BatchNorm2d(256), nn.ReLU(inplaceTrue), nn.AdaptiveAvgPool2d(1) # 任意尺寸 - 1x1 ) self.classifier nn.Linear(256, num_classes) def forward(self, x): x self.features(x) x torch.flatten(x, 1) return self.classifier(x) model SimpleCNN() print(sum(p.numel() for p in model.parameters()) / 1e6, M params)逻辑说明四层卷积每层后接 BN 和 ReLU池化把空间尺寸逐步减半最后用AdaptiveAvgPool2d(1)把特征图压成向量避免全连接层参数量爆炸。padding1配合kernel_size3保持宽高不变只有池化在降采样。BN 放在卷积和激活之间能加速收敛、缓解梯度消失。参数说明num_classes2对应猫狗二分类损失函数用nn.CrossEntropyLoss()它内部已经包含 softmax不要在前向里再加。优化器Adam(lr1e-3)是安全起点如果 loss 震荡就降到1e-4。权重初始化默认是 Kaiming不用手动改。这个模型大约 1.1M 参数8GB 显存下 batch size 可以开到 64。3.3 微调时该冻哪些层、学习率怎么设拿 ResNet18 举例常见做法是import torchvision.models as models import torch.nn as nn model models.resnet18(pretrainedTrue) for param in model.parameters(): param.requires_grad False # 先冻住全部 model.fc nn.Linear(512, 2) # 只训练新分类头 # 第二阶段再解冻 layer4用更小的学习率第一阶段只训fc学习率1e-3跑 3-5 个 epoch。第二阶段解冻layer4学习率降到1e-4再跑 5-10 个 epoch。layer1和layer2学的是边缘和纹理猫狗任务不需要动。如果你数据量超过 5000 张可以解冻到layer3但要注意过拟合。提示pretrainedTrue在 torchvision 新版本里会提示弃用改成weightsmodels.ResNet18_Weights.DEFAULT效果一样。4. 训练循环、评估指标与推理脚本把模型跑出可用结果4.1 训练循环里必须记录的四个量import torch from torch import nn, optim from tqdm import tqdm device torch.device(cuda if torch.cuda.is_available() else cpu) model SimpleCNN().to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr1e-3) for epoch in range(20): model.train() running_loss, correct, total 0.0, 0, 0 for imgs, labels in tqdm(train_loader): imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * imgs.size(0) preds outputs.argmax(1) correct (preds labels).sum().item() total labels.size(0) train_loss running_loss / total train_acc correct / total model.eval() val_loss, val_correct, val_total 0.0, 0, 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) outputs model(imgs) loss criterion(outputs, labels) val_loss loss.item() * imgs.size(0) val_correct (outputs.argmax(1) labels).sum().item() val_total labels.size(0) print(fEpoch {epoch1}: train_loss{train_loss:.4f} ftrain_acc{train_acc:.4f} val_loss{val_loss/val_total:.4f} fval_acc{val_correct/val_total:.4f})逻辑说明每个 epoch 先model.train()开 BN 和 dropout再model.eval()关掉。loss.item() * imgs.size(0)是为了按样本数加权平均避免最后一个 batch 不满时均值偏差。argmax(1)取第二维最大值索引对应类别 0 或 1。参数说明optimizer.zero_grad()必须放在前向之前否则梯度会累加。tqdm只是进度条不影响训练。如果你发现val_acc一直卡在 0.5先检查标签是不是全 0 或全 1再看学习率是不是太大导致输出全同。4.2 混淆矩阵和分类报告比准确率更有用准确率在类别不平衡时会骗人。猫 900 张、狗 100 张时全预测猫也有 90% 准确率。用sklearn.metrics打一份报告from sklearn.metrics import classification_report, confusion_matrix import numpy as np model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) preds model(imgs).argmax(1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) print(confusion_matrix(all_labels, all_preds)) print(classification_report(all_labels, all_preds, target_names[cat, dog]))逻辑说明confusion_matrix输出 [[TN, FP], [FN, TP]]能看出是把猫认成狗多还是狗认成猫多。classification_report给出每类的 precision、recall、f1。如果猫的 recall 明显低于狗说明模型偏向狗可能是狗的图像多样性更高需要给猫做更多增强或调整类别权重。4.3 单张图片推理脚本与阈值选择from PIL import Image import torch.nn.functional as F def predict(image_path, model, transform, device): model.eval() img Image.open(image_path).convert(RGB) tensor transform(img).unsqueeze(0).to(device) with torch.no_grad(): logits model(tensor) probs F.softmax(logits, dim1) conf, pred probs.max(1) label dog if pred.item() 1 else cat return label, conf.item() label, conf predict(test.jpg, model, val_tf, device) print(label, round(conf, 4))逻辑说明unsqueeze(0)增加 batch 维度softmax把 logits 转成概率。conf是模型对当前预测的置信度低于 0.7 时建议人工复核。如果你要做「检测」而不只是「分类」那需要换目标检测框架猫狗分类项目本身不输出边界框。参数说明推理时的 transform 必须和验证集一致不能加随机增强。Image.open().convert(RGB)处理灰度图和 RGBA 图避免三通道报错。5. 避坑与排查猫狗分类项目里最容易翻车的五个地方5.1 现象训练 loss 下降但验证准确率不动原因验证集 transform 和训练集混用或者验证集里图片路径读错标签全变成 0。也可能是 BN 在model.eval()时统计量不对但这种情况少见。解决单独打印验证集前 10 个样本的标签和预测值确认不是全 0。检查val_ds.dataset.transform是否被训练增强覆盖。用两个独立ImageFolder分别加载训练和验证目录。5.2 现象CUDA out of memory原因batch size 太大、图片分辨率太高、模型参数量大或者num_workers开太多导致内存泄漏。解决先把 batch size 降到 8 试跑确认能跑通再往上加。224×224 是安全分辨率不要一上来就 512。用torch.cuda.empty_cache()清理缓存但根本办法是减小 batch。如果还不行把模型换成 ResNet18 或 MobileNetV3。5.3 现象Windows 下 DataLoader 报BrokenPipeError或卡死原因num_workers 0时 Windows 的多进程 spawn 机制和 Jupyter/IDE 冲突。解决把num_workers设为 0或者把训练代码包在if __name__ __main__:里。Linux 下一般没这个问题但 Docker 里共享内存不足时也会卡加--shm-size2g。5.4 现象模型把猫狗都预测成同一类原因学习率太大导致输出饱和或者标签编码错了比如猫狗都映射成 0或者最后一层没换预训练模型输出 1000 类你只取了前 2 类。解决打印model.fc.out_features确认是 2。用CrossEntropyLoss时标签必须是long类型不能是float。学习率从1e-4开始试观察 logits 的方差如果全在 ±0.01 以内说明没学到东西。5.5 现象推理时准确率远低于验证准确率原因推理图片的预处理和验证集不一致比如忘了Normalize、用了Resize但没CenterCrop、或者图片是 BGR 通道OpenCV 读进来是 BGRPIL 是 RGB。解决把推理脚本里的 transform 打印出来和验证集逐行对比。用 PIL 读图不要混用cv2.imread。如果必须用 OpenCV加cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。6. 把猫狗分类迁移到自己的数据集三个改法和一个验证习惯这套流程跑通之后真正有价值的是把它用到你自己的两类或多类图像上。第一个改法是换数据目录把cats和dogs改成你的类别名ImageFolder会自动按文件夹名排序生成标签注意类别顺序是字母序不是你在代码里写的顺序。第二个改法是改num_classes二分类改多分类时CrossEntropyLoss不用动fc层输出维度改成类别数。第三个改法是调整增强策略如果你的图像是工业缺陷检测随机翻转和颜色抖动可能不适用换成随机灰度、小范围平移和高斯噪声。验证习惯上我一般会留一个「黄金测试集」——从原始数据里单独切出 50-100 张不参与训练和验证只在最后跑一次。如果黄金测试集准确率和验证集差超过 5 个百分点说明验证集泄漏或者过拟合了。这个习惯帮我省过很多次后悔药因为验证集调参调久了人会对数字麻木黄金测试集是最后的黑匣子。另外如果你打算把这个模型部署成接口不要直接torch.save(model)存整个模型存state_dict更安全加载时先实例化结构再load_state_dict。输入图片在服务端做 resize 和归一化客户端只传原图。批量推理时把多张图拼成一个 batch比单张循环快 3-5 倍。这些细节在 PDF 文档里不一定写但实际用起来差别很大。希望帮到你。本文还有配套的精品资源点击获取