### 使用PyTorch构建猫狗分类模型 为了实现猫狗分类的任务，可以基于预训练的卷积神经网络（CNN）模型进行微调。以下是一个完整的例子，展示如何加载预训练模型并调整其最后一层以适应二分类任务。 #### 加载预训练模型 可以从 `torchvision.models` 中获取多种经典的 CNN 架构，例如 VGG、ResNet 或 MobileNet。这些模型通常是在 ImageNet 数据集上预训练得到的，因此具有良好的泛化能力[^2]。 ```python import torch from torchvision import models, transforms from torch import nn # 加载VGG16模型，并设置pretrained=True以使用ImageNet上的预训练权重 vgg16 = models.vgg16(pretrained=True) # 替换最后的全连接层以适配二分类任务 (cat vs dog) num_features = vgg16.classifier[6].in_features features = list(vgg16.classifier.children())[:-1] # 去掉原始的最后一层 features.extend([nn.Linear(num_features, 2)]) # 添加新的输出层 vgg16.classifier = nn.Sequential(*features) # 更新模型结构 ``` 上述代码中，通过替换 VGG16 的最后一个全连接层来匹配目标类别的数量（即猫和狗两类）。这一步骤对于迁移学习至关重要[^5]。 #### 定义数据增强与标准化 在处理图像分类问题时，适当的数据增强可以帮助提高模型的鲁棒性和准确性。此外，由于我们使用的模型已经在 ImageNet 上进行了预训练，所以输入图片需要遵循相同的归一化标准[^1]。 ```python data_transforms = { 'train': transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]), 'val': transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) } ``` 这里定义了两组变换规则：一组用于训练阶段 (`RandomResizedCrop`, `RandomHorizontalFlip`)；另一组则适用于验证或测试阶段 (`Resize`, `CenterCrop`)。注意，所有的图像都会被缩放到统一大小 \(224 \times 224\) 并应用指定的均值方差正则化。 #### 训练过程概览 完成以上准备工作之后，就可以按照常规流程编写训练循环逻辑。具体细节包括但不限于损失函数的选择、优化器配置以及评估指标设定等方面的内容[^3]。 ```python criterion = nn.CrossEntropyLoss() # 多分类交叉熵损失 optimizer = torch.optim.Adam(vgg16.parameters(), lr=0.001) # Adam优化算法 def train_model(model, dataloaders, criterion, optimizer, num_epochs=25): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device) best_acc = 0.0 for epoch in range(num_epochs): print(f'Epoch {epoch}/{num_epochs - 1}') for phase in ['train', 'val']: if phase == 'train': model.train() else: model.eval() running_loss = 0.0 correct_preds = 0 for inputs, labels in dataloaders[phase]: inputs, labels = inputs.to(device), labels.to(device) with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) loss = criterion(outputs, labels) _, preds = torch.max(outputs, dim=1) if phase == 'train': optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) correct_preds += torch.sum(preds == labels.data).item() epoch_loss = running_loss / len(dataloaders[phase].dataset) epoch_acc = correct_preds / len(dataloaders[phase].dataset) print(f'{phase} Loss: {epoch_loss:.4f}, Acc: {epoch_acc:.4f}') if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc return model ``` 此部分展示了典型的监督学习框架下的一轮迭代操作序列。每次更新参数之前都需要清零梯度缓冲区(`zero_grad()`)。 ---