3.3 图像分类：数据集与评估

3.3 图像分类：数据集与评估

本节摘要：架构再好，也要在像样的战场检验。本节把图像分类实验的三件套盘清楚：主流数据集怎么选、数据增强怎么给模型扩视野、精度指标怎么才算靠谱，并附一份可直接照搬的轻量分类训练脚本。

3.2 给了能打的架构，本节关起门来把"战场规矩"定好：在什么数据集上、用什么增强、拿什么指标评。它承接第2章的评估话题，但完全落在视觉语境内，也为 3.4 的目标检测与分割埋一支预备队。

一套能跑出梯度感的跑道先立起来

图像分类的"跑道"是预置数据集，足够多的样本、固定的类别数、公认的划分方式，让不同模型能公平比试。最常用的三档：MNIST 一上来就是 28×28 手写数字、10 类，几十兆就能装下，直接拿它跑通整套流程；CIFAR-10 是 32×32 彩色图、10 类常见物（猫、狗、卡车、飞机等），运算量适中，是经典模型验证场；ImageNet 则是 224×224、上百个类的大战，冠军之争曾是深度学习的晴雨表。三个数据集难度递增，用途从"跑通"到"打榜"各不相同。

选数据集时还有个常被忽略的点：测试集划分必须干净。训练时反复用测试集调参，等于把答案偷看了；所以正式策略仍是训练/验证/测试三分，只有最终的最终才碰测试集（回顾 2.2）。

数据增强：给有限的图变出无限的见识

真实项目的样本永远不够。数据增强不做别的，就是对训练图做随机小变形，让模型看到同一张图的许多翻版：随机水平翻转、随机裁剪、微调亮度与对比度等。这些变形本身不改变类别（狗翻个面还是狗），却逼模型学到"不管姿态怎么变都认得出"的不变特征——一手治样本不足，一手防过拟合，正好接上第2章的教训。

增强的窗口把握很讲究：裁剪太狠会把核心特征切掉，让模型学岔；翻转也要看任务——手写数字翻转就成了别的字，绝不能乱翻。工程上常先保守（只做轻度翻转裁剪），验证集反映欠拟合再逐步加码。

精度的讲究：不只一个准确率

图像分类最常见的指标是顶一准确率（Top-1 Acc），即预测最可能的类别恰好对。但对类别多、易混淆的赛道，还流行看 Top-5——前五个预测里只要含正确类就算对，能更宽容地衡量模型"心里有数"。别一味追最高准确率：模型在 A 数据集顶天高、换个赛道就翻车的情况常有，更稳的评法是把多次随机种子下的均值和方差都看一眼，挑"既高又稳"的那个。

一份能直接改着跑的轻量训练流程

在这里把"加载数据 → 增强 → 建模 → 训练 → 评估"串成一份可运行的骨架：

import tensorflow as tf
import numpy as np

(x_tr, y_tr), (x_te, y_te) = tf.keras.datasets.cifar10.load_data()
x_tr, x_te = x_tr.astype("float32")/255.0, x_te.astype("float32")/255.0

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation="relu", input_shape=(32,32,3)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Conv2D(64, (3,3), activation="relu"),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10, activation="softmax"),
])

# 顺手的增强：随机翻转与偏移
aug = tf.keras.Sequential([
    tf.keras.layers.RandomFlip("horizontal"),
    tf.keras.layers.RandomTranslation(0.1, 0.1),
])

model.compile(optimizer="adam", loss="sparse_categorical_crossentropy",
              metrics=["accuracy"])
model.fit(aug(x_tr), y_tr, epochs=10, validation_split=0.1, batch_size=32)
loss, acc = model.evaluate(x_te, y_te)
print("测试准确率:", round(acc, 4))
​

aug(...) 这一行是数据增强的骨架：喂给模型的是增强后的图，模型每轮看到的世界都会略有不同。跑完看验证损失曲线是否和训练曲线靠拢（回顾 2.2 的判据），就能判断该不该加正则化或提早停止。

分类跑通只是起点

放在整个视觉任务里，这只是一块跳板：同样的卷积底座，稍加改造就能去做检测（把整图问题改成框问题）和分割（把整图问题改成逐像素问题），这正是 3.4 的内容。所以 3.3 的目标不是拿个漂亮的准确率，而是把"数据—增强—模型—评估"这整条流水跑熟。

训练日志该怎么盯：超参组合的前后关

代码能跑起来只是开始，真正看出门道的是训练日志。第2章 2.2 说过看训练与验证曲线的差值，这里落到视觉实操：若二者靠拢得漂亮，说明增强或正则给得合适；若验证劈头就高，往往不是增强不够，而是数据没喂对或模型太小；若训练一路贴地、验证掉头向上，就该降容量或加正则、或者早点停。这时调的是 batch size、学习率、卷积核个数、增强强度，而不是一开始就去搜那些无关紧要的数。

还有个视觉特有的提醒：把验证集当"指挥棒"时，务必顺着增强的窗口走——验证时不要做训练那样的大裁剪，否则毁掉评估。图像分类的评估和训练经常因为"增强口径不一致"而自欺，这是3.3 全节最值得记牢的一条实操细节。

一个自查

给定 MNIST、CIFAR-10 和一个"要不要翻转"的问题：为何手写数字不能乱翻转、CIFAR-10 却能水平翻转？想清楚再翻答案——数字翻转会把 6 变 9、9 变 6，语义直接扭曲；而自然物体水平翻面仍是同类。这条判断力，正是你往后给任何视觉任务配增强时都要带着的思维。

本节要点回顾

• MNIST、CIFAR-10、ImageNet 三档跑道，用途从跑通到打榜各不同
• 测试集必须最后用，训练/验证/测试三分离
• 数据增强治样本不足、防过拟合，但幅度与任务要匹配
• Top-1 之外还要看 Top-5 与多次种子下的稳定性
• 分类是视觉任务的跳板，检测与分割都在它之上长出