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。

基础图像分类网络结构

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 1×11 \times 1,因此分类头不需要硬编码展平后的高度和宽度。

python
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:

text
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。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

构建图像分类网络

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通