核心是搭建合适神经网络结构，关键在数据预处理、模型选择、训练调优三环节；初学者应基于成熟架构（如ResNet、VGG）微调，避免从零手写卷积层。
用Python做图像识别，核心是搭建合适的神经网络结构，而不是堆砌代码。关键在数据预处理、模型选择、训练调优三个环节，缺一不可。
选对基础模型，别从零写CNN
初学者直接手写卷积层容易出错，推荐基于成熟架构微调：
- 小数据集（ResNet18或MobileNetV2，加载预训练权重（
pretrained=True），只替换最后的全连接层 - 中等数据（1万~10万张）：可尝试EfficientNet-B0，参数少、精度高，适合显存有限的环境
- 自己设计结构时，记住一个原则：卷积→BN→ReLU→池化，重复2~4次，最后接全局平均池化比全连接更稳定
图像预处理不能跳过标准化
模型对输入敏感，原始像素值（0~255）会拖慢收敛甚至导致梯度爆炸：
- 用
torchvision.transforms.Normalize减去ImageNet均值（[0.485, 0.456, 0.406]）并除以标准差（[0.229, 0.224, 0.225]） - 训练时加随机增强：
RandomHorizontalFlip、ColorJitter、RandomRotation(15)提升泛化性 - 验证和测试阶段只做
Resize(256)→CenterCrop(224)→Normalize，保持一致性
训练过程要监控关键指标
只看准确率容易误判，尤其类别不均衡时：
立即学习“Python免费学习笔记（深入）”；
- 每轮记录loss、train_acc、val_acc，画曲线判断是否过拟合（训练准、验证差）或欠拟合（两者都低）
- 用
torchmetrics.Accuracy(task="multiclass", num_classes=N)算准确率，避免自己实现出错 - 学习率别固定，用
ReduceLROnPlateau：当验证损失5轮不降，自动乘0.5；或用OneCycleLR加速收敛
推理部署前记得切到eval模式
模型训练和预测行为不同，漏掉这步会导致结果异常：
- 推理前必须调用
model.eval()，否则BatchNorm和Dropout会按训练逻辑运行 - 关闭梯度：
with torch.no_grad():，节省显存、加快速度 - 单张图预测示例：
img = transform(pil_img).unsqueeze(0) # 加batch维 output = model(img) pred = output.argmax(dim=1).item()
基本上就这些。不复杂但容易忽略——预处理错一点，后面全白练；模式没切对，预测结果飘忽不定。跑通一次，后面换数据、调结构就顺了。
