企业官网建设流程全解析

简介：基于 PyTorch 框架实现的 Kaggle 猫狗分类完整源码，适合深度学习初学者、课程设计以及期末大作业参考。项目采用迁移学习思路，选用 GoogLeNet、ResNet 与 ResNeXt 三个预训练模型提取图像特征，将各自全局平均池化层输出的特征拼合为高维向量，再通过单层全连接网络完成二分类，最终准确率超过百分之九十九。资源本身共包含四个文件，其中两个 Python 脚本分别承担特征提取和模型训练任务，一个说明文档用于辅助理解代码流程，一个提交样例文件可以对照提交格式。压缩包整体只有三十四 KB，结构简洁，适合快速阅读与二次修改。特征提取脚本会自动加载预训练权重并生成特征，训练脚本直接使用处理好的特征进行训练，同时应用随机失活防止过拟合，在中央处理器上数秒即可跑完，没有图形处理器也能快速验证。目前已有三百零四人学习，对于希望了解迁移学习、特征融合并完成类似图像分类项目的开发者很有帮助。

1. 猫狗分类是 Kaggle 最经典的二分类入门赛：25000 张训练图、12500 张测试图，判断每张图是猫还是狗。真正有意思的地方在“准确率超过 99%”——从零训练的 CNN 通常卡在 93% 到 96%，缺口全在毛发纹理、光照、遮挡和犬种差异上。要做到 99%，可靠路径是 PyTorch + ImageNet 预训练权重 + 数据增强 + 分层学习率微调，而不是自己堆更深的网络。

下面沿这条路径拆：环境配套、数据集整理、模型替换、训练调参、推理提交，每步给可直接复制的命令和代码。适合刚做完课程作业、想从 95% 推到 99% 的同学，也适合想一周内把图像分类 pipeline 从训练跑到上线的工程师。

2. PyTorch 环境配套与 Kaggle 猫狗数据集的本地化

拿到任何一套 PyTorch 图像分类代码，第一件事不是看模型定义，而是把环境钉在同一套版本上。PyTorch 的 CUDA 预编译 wheel 与 torchvision 强绑定，版本错位最常见的表现是import torch直接报错，或者训练时静默落到 CPU 上跑；数据集的目录结构如果不是train/类别/图片这种层级，ImageFolder 接口第一步就会抛异常。这两件事在猫狗分类这种入门项目里反而是翻车率最高的地方。

2.1 Python / PyTorch / CUDA 版本匹配与安装

一套被反复验证过的组合是：Python 3.10.11、PyTorch 2.8.0、torchvision 0.23.0、CUDA 12.1。这套组合的二进制依赖齐全，numpy、pandas、Pillow 都有对应 wheel，装完不需要再编译任何东西。

conda create -n dogscats python=3.10.11 -y conda activate dogscats pip install torch==2.8.0 torchvision==0.23.0 --index-url https://download.pytorch.org/whl/cu121 pip install numpy pandas matplotlib tqdm pillow kaggle

--index-url指向 PyTorch 官方 cu121 预编译源，装的是带 CUDA 算子的版本，体积约 2.5GB。torch==2.8.0必须和torchvision==0.23.0配套，版本拆开装会导致后面torchvision.models接口不兼容。如果下载速度不理想，先把 torch 那行装完、把官方源切回默认 PyPI，再装其余依赖，不要中途换源去混装。

import torch, torchvision print(torch.__version__, torchvision.__version__) # 期望 2.8.0 0.23.0 print(torch.cuda.is_available()) # 期望 True print(torch.cuda.get_device_name(0)) # 期望显示你的显卡型号

torch.cuda.is_available()返回 False 时，先执行nvidia-smi确认驱动版本，再检查当前环境里是否残留了 CPU 版 torch，pip list里看 torch 构建标识最直接。显卡显存低于 6GB 时，后面章节里 batch size 和输入分辨率都要跟着下调，环境这一层不用强求统一。

2.2 用 Kaggle API 下载数据集并重排目录

原竞赛名是 dogs-vs-cats，官方数据分 train 和 test1 两个目录。下载最快的方式是 Kaggle API，前提是已经在账户后台生成了 kaggle.json。

pip install kaggle mkdir -p ~/.kaggle cp ~/Downloads/kaggle.json ~/.kaggle/kaggle.json chmod 600 ~/.kaggle/kaggle.json kaggle competitions download -c dogs-vs-cats unzip -q dogs-vs-cats.zip

解压后的原始结构必须搞清楚，它决定了后面所有脚本的路径假设：

dogs-vs-cats/ ├── train/ │ ├── cat.0.jpg ... cat.12499.jpg │ └── dog.0.jpg ... dog.12499.jpg └── test1/ ├── 1.jpg └── ...

train 里的文件名是类别.编号.jpg，test1 里是纯数字编号，两类编号不存在对应关系。这里有两个坑要提前处理：原始 train 目录按类别连续排列，不随机打乱的话验证集的类别分布会偏；测试集不带标签，只能按文件名全量推理。第一步把数据重排成 PyTorch ImageFolder 要求的train/val两级结构：

import os, random, shutil src = "dogs-vs-cats/train" for split in ("data/train", "data/val"): for cls in ("cat", "dog"): os.makedirs(os.path.join(split, cls), exist_ok=True) for fn in os.listdir(src): cls = fn.split(".")[0] split = "train" if random.random() < 0.9 else "val" shutil.copy(os.path.join(src, fn), os.path.join("data", split, cls, fn)) print("train 猫:", len(os.listdir("data/train/cat"))) print("val 猫:", len(os.listdir("data/val/cat")))

random.random() < 0.9形成 90/10 划分，边拷贝边随机等价于全局 shuffle，避免连续读取造成验证集全是同一类别。拷贝而不是移动，是为了保留原始数据，后面做全量重训时还能用。chmod 600那步不能省，Kaggle API 对密钥文件权限有硬校验。

2.3 数据增强配置：训练集与验证集必须分开

99% 准确率的第二个关键在增强。训练集的 transform 要做足，验证集的 transform 要收敛，两者不能共用。很多人直接复用训练增强做验证，val_acc 凭空掉 0.5 到 1 个点，然后误判模型过拟合去加正则，越调越偏。

from torchvision import transforms mean, std = [0.485, 0.456, 0.406], [0.229, 0.224, 0.225] train_tf = transforms.Compose([ transforms.RandomResizedCrop(224, scale=(0.7, 1.0)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.3), transforms.ToTensor(), transforms.Normalize(mean, std), ]) val_tf = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean, std), ])

Normalize 必须使用 ImageNet 的 mean/std，因为预训练权重就是在这个分布上学出来的，换任何自定义统计量都会让权重失效。scale=(0.7,1.0)不要用 torchvision 默认的 0.08，猫狗主体占画面比例大，裁剪比例过狠会把判别部位裁没。验证集只做 Resize 加 CenterCrop，保证每次评估口径一致，精度的浮动才能真实反映训练状态。

3. 模型设计与预训练权重：99% 准确率靠迁移学习，不靠改网络

3.1 从零训练的 CNN 为什么上不了 99%

25000 张图对于一个二分类任务不算少，但从零训练时，网络底层卷积核要从噪声里重新学边缘、纹理、形状的层级表示。数据量和可用算力都不足以支撑模型在毛发走向、犬种差异这些细粒度特征上达到判别级精度。实际表现是训练损失能压到很低，验证准确率却趴在 95% 附近，调 dropout、换激活函数都难以突破。

问题不在网络结构，而在初始化。ImageNet 预训练权重在 128 万张图上已经学到了通用的视觉特征表示，迁移学习把这份先验直接继承下来，微调阶段只做局部适配，把最后一层从 1000 类换成 2 类。这也是 Kaggle 猫狗竞赛历届前排方案从早期就清一色使用预训练模型的根本原因——比赛比的是数据利用效率，不是结构创新。

3.2 预训练模型怎么选：ResNet50、EfficientNet-B4 还是 ConvNeXt-Tiny

默认选择是 EfficientNet-B4。它参数量比 ResNet50 更少，但 depthwise 卷积的算力利用率高，同等 224 输入下精度更好；BN 层对批次大小的敏感度也比 ResNet 低。显存低于 6GB 就先用 ResNet50 把全套流程跑通，记录验证集基线，再换 B4 提点。不要在入门阶段直接追 ConvNeXt，它的收益要在更大数据规模上才明显。

3.3 加载 torchvision 预训练模型并替换分类头

import torch import torchvision.models as models model = models.efficientnet_b4( weights=models.EfficientNet_B4_Weights.IMAGENET1K_V1 ) in_features = model.classifier[1].in_features model.classifier[1] = torch.nn.Linear(in_features, 2) total = sum(p.numel() for p in model.parameters()) print(f"参数量: {total / 1e6:.1f}M")

EfficientNet 的分类头是 Sequential(Dropout, Linear)，下标 1 才是线性层；ResNet 对应的是model.fc = torch.nn.Linear(2048, 2)。weights=IMAGENET1K_V1表示加载官方预训练权重，首次运行自动下载到TORCH_HOME缓存目录，网络慢时可以先手动下载再设置这个环境变量指向本地。替换分类头后参数量不变，变的只是最后输出维度。

3.4 冻结主干与解冻微调：分两阶段做

一下把所有层解冻、学习率统一给到 1e-3，预训练特征会被快速冲掉，模型事实上在从零重学。常见做法是分两阶段：

# 阶段一：只训练分类头 for p in model.features.parameters(): p.requires_grad = False optimizer = torch.optim.AdamW(model.classifier.parameters(), lr=1e-3) # 阶段二：解冻主干，分层设置学习率 for p in model.features.parameters(): p.requires_grad = True optimizer = torch.optim.AdamW([ {"params": model.features.parameters(), "lr": 3e-5}, {"params": model.classifier.parameters(), "lr": 1e-4}, ])

阶段一跑 2 个 epoch，让随机初始化的分类头先适配预训练特征；阶段二解冻整网，主干用 3e-5、分类头用 1e-4 的分层学习率继续训练。很多人一上来就全量微调，loss 下降很快，验证集却停在 97% 附近，问题多数出在这里——低层卷积的预训练特征被大步长更新破坏了，前半程学到的 128 万张图的通用表示在前 1000 步迭代里就被覆盖掉。

4. 训练与调参：把猫狗分类验证准确率推到 99% 的 8 组参数

4.1 优化器、学习率调度与损失函数

训练部分真正决定上限的是一组参数组合，单独调任何一个都出不来 99%。下面这张表是验证过的一整套配置：

label smoothing 在二分类里等价于把 0/1 目标改成 0.025/0.975，模型不再追求把输出概率推向极端值，验证集上通常能多拿 0.1 到 0.2 个点。CosineAnnealingLR 的 T_max 必须和实际训练 epoch 数保持一致，否则学习率曲线会在中途出现跳变，末段精度抬不上去。

4.2 训练循环与混合精度

from torch.cuda.amp import GradScaler, autocast model.to(device) criterion = torch.nn.CrossEntropyLoss(label_smoothing=0.05) optimizer = torch.optim.AdamW([ {"params": model.features.parameters(), "lr": 3e-5}, {"params": model.classifier.parameters(), "lr": 1e-4}, ], weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max=15, eta_min=1e-6 ) scaler = GradScaler() for epoch in range(15): model.train() for x, y in train_loader: x, y = x.to(device), y.to(device) with autocast(): loss = criterion(model(x), y) optimizer.zero_grad() scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() scheduler.step()

autocast在 RTX 20 系及以上显卡上默认走 fp16 计算，显存占用近乎减半，训练速度提升明显；GradScaler负责梯度放大，避免 fp16 下的梯度下溢。label 不需要转 half，CrossEntropyLoss 内部会自己处理精度。scheduler.step()放在每个 epoch 结束后调用，对应 CosineAnnealingLR 按 epoch 步进，不要放到每个 batch 里。

DataLoader 记得设置num_workers=4, pin_memory=True, shuffle=True。shuffle 对训练集的随机性影响直接反映在 val_acc 曲线平滑度上，pin_memory 能减少 CPU 到 GPU 的拷贝等待。每次 epoch 结束跑一次 val_tf 评估，记录 val_acc，把最优权重存成best.pt。上述配置在 8GB 显存的显卡上，EfficientNet-B4 单 epoch 约 20 分钟，15 个 epoch 内能看到 val_acc 从 95% 爬到 99% 以上。

4.3 三个容易踩的准确率杀手

第一个是学习率给得太统一。主干直接用 1e-3 更新，低层卷积很快脱离 ImageNet 特征空间，val_acc 永远差一口气。检查办法是加载 best.pt 后看层间梯度范数，正常情况主干层梯度范数应该显著小于分类头，如果两者同量级说明主干更新过猛。

第二个是验证集误用训练增强。共用 train_tf 会让 val_acc 比真实水平低 0.5 到 1 个点，于是误判模型能力不够，盲目加大正则和 dropout，实际是在带偏的系统上做无用功。验证集只用 Resize 和 CenterCrop，保持口径干净。

第三个是 batch size 与学习率不同步。batch 从 32 调到 64 时学习率没跟着调，BN 统计量在两个尺度之间跳动，val_acc 曲线出现锯齿。经验规则：batch size 翻倍则 lr 翻倍，batch size 减半则 lr 减半，改完 batch 必须同时改 lr 和 T_max 的对应关系。

5. 推理、TTA 与 Kaggle 提交格式的最后一公里

训练结束到最终提交，还有三个动作能再捞 0.2 到 0.4 个点的收益：测试时增强、全量数据重训、TorchScript 导出。顺序不能乱——先确认验证集准确率达到预期，再做 TTA 打分测试，最后决定导出格式。

5.1 TTA 推理代码

from PIL import Image tta_tf = transforms.Compose([ transforms.Resize(256), transforms.RandomHorizontalFlip(p=0.5), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean, std), ]) def predict_tta(model, img_path, device, n_times=4): model.eval() probs = [] for _ in range(n_times): x = tta_tf(Image.open(img_path)).unsqueeze(0).to(device) with torch.no_grad(): probs.append(torch.softmax(model(x), dim=1).cpu()) return torch.mean(torch.stack(probs), dim=0)

TTA 的增强只保留随机翻转和中心裁切，不加旋转、颜色扰动，后者的方差大于收益，会拉低均值投票的效果。二分类任务 4 次 TTA 通常能提升 0.1 到 0.2 个百分点，代价是推理时间乘以 4，在 12500 张测试图上属于可接受范围。

5.2 提交文件的 id 与 label 列

import pandas as pd ids, preds = [], [] for fn in sorted(os.listdir("dogs-vs-cats/test1")): p_dog = predict_tta(model, os.path.join("dogs-vs-cats/test1", fn), device)[0, 1] ids.append(fn.split(".")[0]) preds.append(float(p_dog)) sub = pd.DataFrame({"id": ids, "label": preds}) sub.to_csv("submission.csv", index=False) print(sub.shape) # (12500, 2)

提交格式固定两列：id 是测试图片文件名去掉 .jpg，label 是该图属于狗的概率，0 到 1 之间的浮点数。test1 目录里是1.jpg、2.jpg这样的纯数字编号，与 train 里的 cat/dog 编号没有重叠，按文件名排序推理即可，Kaggle 会按 id 字段自动匹配。

5.3 上生产环境的导出方式

提交之外，模型要脱离训练脚本运行，推荐导出 TorchScript。先加载训练好的权重，再用一张真实尺寸的输入做 trace，固定输入 shape 后推理吞吐更高：

model.load_state_dict(torch.load("best.pt")) model.eval() example = torch.rand(1, 3, 224, 224) traced = torch.jit.trace(model.cpu(), example) traced.save("dogscat_ts.pt")

Trace 要在model.eval()状态下进行，否则 BN 层会记录推理时的统计量导致导出的模型输出漂移。最后一步是出分前用全部 25000 张图按同一组参数重训一次，再做 TTA 打分和提交；验证集只用来选超参和早停，最终模型不该浪费那 10% 的数据。

本文还有配套的精品资源，点击获取