5.1 综合实战：一个图像分类项目的全流程复盘

5.1 综合实战：一个图像分类项目的全流程复盘

本节摘要：前面八章的零件在这一节组装成整机：从拿到数据到交付一份验收报告，按"背景、操作、结果、解读、变式"五段复盘一个完整的十类图像分类项目。所有环节都能在前文找到对应章节——这一节既是复习地图，也是你下一个项目的操作底稿。

项目档案：十万张小图的十类分类

背景：任务是把 32×32 的彩色小图分成飞机、汽车、鸟等十个类别（CIFAR-10 规格），训练集五万张、测试集一万张。约束：单张消费级显卡、可接受的训练时长、交付物是"模型加验收报告"。这个规模是检验全书零件成色的标准试金石——再小的项目练不了真功夫，再大的项目变量太多。

学习目标

阅读完本节，你应当能够：

1. 按固定顺序组装训练脚本：数据、模型、优化器、调度器、损失、循环；
2. 写出规范的评估循环（关梯度、双态切换、逐类统计）；
3. 读自己的训练日志，定位欠拟合、过拟合与调度失当；
4. 把本节清单迁移到自己的数据集上。

一、操作：六步组装

数据与增强直接搬 4.4 节的 CIFAR 管线（随机裁剪、水平翻转、色彩抖动加归一化，测试侧只做确定性预处理）；骨干在 2.6 节的 TinyCNN 与 3.5 节的 ResNet-18 之间按算力选择；训练侧的组装顺序如下，每行都来自前文的巡检结论：

import torch
import torch.nn as nn

device = "cuda" if torch.cuda.is_available() else "cpu"
net = TinyCNN().to(device)                     # 骨干：来自 2.6 节的定义

opt = torch.optim.AdamW(net.parameters(),      # 优化器：4.3 与 4.6 节的默认配方
                        lr=1e-3, weight_decay=0.01)
sched = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=50)   # 余弦退火
crit = nn.CrossEntropyLoss()                   # 量具：4.1 节

for epoch in range(50):
    net.train()                                # 训练态：4.5 节的双态纪律
    for x, y in train_loader:                  # 批 128：4.4 节增强管线
        x, y = x.to(device), y.to(device)
        opt.zero_grad()                        # 清上一批的梯度
        loss = crit(net(x), y)                 # 前向加打分
        loss.backward()                        # 反向：4.2 节
        opt.step()                             # 更新：4.3 节
    sched.step()                               # 每轮末调步长：4.6 节
    # 每 5 轮跑一次评估段并记录最优权重（早停兜底）
​

评估循环独立成段，三条纪律缺一不可：切推理态（BN 用滑动统计、Dropout 直通）、关梯度（省显存提速）、逐类统计（给验收单供料）：

net.eval()
correct = total = 0
hit = [0] * 10
seen = [0] * 10
with torch.no_grad():
    for x, y in test_loader:
        x, y = x.to(device), y.to(device)
        pred = net(x).argmax(dim=1)
        correct += (pred == y).sum().item()
        total += y.numel()
        for c in range(10):
            hit[c] += ((pred == y) & (y == c)).sum().item()
            seen[c] += (y == c).sum().item()
print("总体准确率:", round(correct / total, 4))
print("每类召回:", [round(h / s, 3) for h, s in zip(hit, seen)])
​

图 5-2 训练与验证曲线的三种剧本

二、结果、解读与变式

结果：同一套配方下，TinyCNN 与 ResNet-18 的典型落差清晰可辨——TinyCNN 五十个轮次收敛到七成五上下的测试准确率，ResNet-18 在增强加持下可达九成四五（公开复现的常见区间，具体数字随实现浮动一到两个点）。训练日志里健康曲线的画像见上图剧本一：两条线同步下降、间距稳定。

解读：三条线索值得写进每份报告。其一，骨干深度带来的差距（约二十个百分点）主要花在复杂纹理与部件组合上，符合 2.6 节感受野的推演；其二，逐类召回往往不均——猫狗互混是常态，把 4.8 节的混淆矩阵贴进报告，比一个总准确率有说服力得多；其三，若验证曲线从某轮开始抬头（剧本二），最优权重早停在抬头前一轮，这正是 4.6 节早停存在的意义。

变式：三条常用改造路线。数据再少一半，转 4.7 节迁移学习，ResNet-18 冻结换头仍能保住九成附近；要求上手机端，按 3.6 节换 MobileNet 骨干，算力降一个数量级、精度让一到两个点；误判代价不对称（如把猫判狗无所谓、把危险品判成日用品不行），在 4.1 节给损失加权或在验收端单设召回门槛。

巡检记录

• 组装顺序：数据、骨干、优化器、调度器、损失、循环——顺序本身就是排查清单；
• 评估三纪律：推理态、关梯度、逐类统计，缺一条验收单就有窟窿；
• 读曲线三剧本：健康、过拟合（验证回升）、欠拟合（双线趴高），各有固定处方；
• 报告规格：总准确率之外必须附混淆矩阵与逐类召回，9 成 5 的总分会掩盖某类 7 成的短板。

交付清单复用

把这次复盘沉淀成一张可复用的交付清单：数据侧——切分指纹、类别分布表、增强管线清单各一份；训练侧——最优权重、最终超参、学习率曲线截图；验收侧——总体指标、混淆矩阵、逐类召回、失败案例集（抽三十张误判图人工归因）。下次项目照单点验，缺哪栏补哪栏。清单的价值在于把"忘了看"变成"没得漏"——多数项目事故复盘出来，都是清单上某一栏没做，而不是哪个高深技巧不会。

💡 关键直觉：项目复盘的价值不在这次多少分，而在"每一步为什么这么配"。把本节每行代码的出处（对应章节）都写进你的工程注释，下一个数据集来了，你改的只是文件路径。

分类流水线到此完整落地。下一站给输出加一个维度：不但说"是什么"，还要说"在哪"。