机器学习与深度学习 / 系统课时
构建图像分类网络
构建图像分类网络
本课将完成一个可运行的基础图像分类网络。你会把卷积、批归一化、激活、下采样和分类头组合成完整模型,并通过随机图像批次验证输入输出形状,为后续训练真实数据集做好准备。
学习目标
- 设计由特征提取器和分类头组成的 CNN
- 使用自适应池化消除固定空间尺寸依赖
- 验证模型前向传播的张量形状
明确最小需求
模型接收形状为 [N, 3, 32, 32] 的彩色图像批次,并输出 [N, 10] 的类别分数。输出不主动执行 Softmax,因为训练时常用的 nn.CrossEntropyLoss 会直接接收原始 logits。
一个基础分类网络可拆成两部分:特征提取器逐步增加通道并降低空间尺寸,分类头把最终特征转换为类别分数。每个卷积块采用“卷积 → 批归一化 → ReLU → 下采样”的顺序。

实现完整模型
下面的模型使用三个卷积块提取特征。AdaptiveAvgPool2d((1, 1)) 会把任意空间尺寸压缩为 ,因此分类头不需要硬编码展平后的高度和宽度。
import torch
from torch import nn
class BasicCNN(nn.Module):
def __init__(self, num_classes: int = 10) -> None:
super().__init__()
self.features = nn.Sequential(
self._conv_block(3, 32),
self._conv_block(32, 64),
self._conv_block(64, 128),
)
self.pool = nn.AdaptiveAvgPool2d((1, 1))
self.classifier = nn.Linear(128, num_classes)
@staticmethod
def _conv_block(in_channels: int, out_channels: int) -> nn.Sequential:
return nn.Sequential(
nn.Conv2d(
in_channels,
out_channels,
kernel_size=3,
padding=1,
bias=False,
),
nn.BatchNorm2d(out_channels),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=2, stride=2),
)
def forward(self, x: torch.Tensor) -> torch.Tensor:
x = self.features(x)
x = self.pool(x)
x = torch.flatten(x, start_dim=1) # 保留批次维,展平特征维
return self.classifier(x)
model = BasicCNN(num_classes=10)
images = torch.randn(4, 3, 32, 32)
logits = model(images)
print("input shape:", images.shape)
print("output shape:", logits.shape)预期输出:
input shape: torch.Size([4, 3, 32, 32])
output shape: torch.Size([4, 10])输出中的每一行对应一张图像,每一列对应一个类别的未归一化分数。实际数值受随机初始化和随机输入影响,但形状应保持一致。
跟踪张量尺寸
输入经过每个 MaxPool2d(2, 2) 后,高度和宽度减半。三次下采样的尺寸变化为 32 → 16 → 8 → 4,通道数则为 3 → 32 → 64 → 128。
最终特征形状是 [N, 128, 4, 4]。自适应平均池化把每个通道汇总成一个值,得到 [N, 128, 1, 1];展平后为 [N, 128],再由全连接层映射到 [N, 10]。
这种写法比直接使用 nn.Linear(128 * 4 * 4, 10) 更稳健。只要输入尺寸经过卷积块后仍然有效,分类头就不依赖固定的空间大小。
关键设计边界
BatchNorm2d 在训练模式下使用当前批次统计量,在评估模式下使用运行时累计统计量。训练时调用 model.train(),验证和推理时调用 model.eval(),否则同一张图像可能得到不一致的结果。
分类模型最后一层通常不加 Softmax。训练阶段把 logits 直接交给 nn.CrossEntropyLoss;推理阶段需要概率时,再调用 torch.softmax(logits, dim=1)。提前执行 Softmax 会让损失函数重复处理概率变换。
当前模型适合作为教学和小型数据集基线。图像更大、类别更复杂时,可以增加卷积块、引入残差连接或使用预训练模型,但应先确保基础版本能够正常前向传播和过拟合一个小批次。
验收检查
运行模型后,应确认输入输出批次大小一致,输出第二维等于类别数,并且没有形状不匹配异常。将输入改为 torch.randn(4, 3, 64, 64) 时,输出仍应为 [4, 10],这可以验证自适应池化确实消除了固定空间尺寸依赖。