神经网络组植物分类学习规划与本周进展综述04

机器学习进阶（PyTorch 实战与调优《我是土堆》B站课程）

1.  P9. Transforms 的使用（全部）

1.1  模块定位​

transforms 是 torchvision 库中专门用于图像数据预处理和数据增强的模块（对图像的变换）（Transforms指的是Transforms.py这个python文件）。其输入类型支持 PIL Image、Tensor 以及部分 numpy array 操作，为图像数据在进入神经网络模型前的处理提供了便利。

1.2  核心组件

from torchvision import transforms
# 基础结构
transform_pipeline = transforms.Compose([
    # 这里可以依次添加各种变换操作
])

其中，transforms.Compose 类用于将多个变换操作组合在一起，形成一个连贯的预处理流程。它接收一个由 Transform 对象组成的列表作为参数，在调用时会按照列表顺序依次对输入数据应用这些变换。

1.3 Transforms在python中的用法

1.3.1 Transforms使用（一）

from PIL import Image
from torchvision import transforms
img_path="7.22.1(1)/DJI_0010.JPG" #相对路径
img=Image.open(img_path) #Image是python中内置的打开图片的库
#transform如何使用↓
tensor_trans=transforms.ToTensor() #创建了一个ToTensor的对象
tensor_img=tensor_trans(img)
print(img)

运行结果：

1.3.2  Transforms使用（二）

# 1.导入必要的库
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
img_path="7.22.1(1)/DJI_0010.JPG" #相对路径   定义图像


# 2. 加载图像路径
try:
    img = Image.open(img_path) #Image是python中内置的打开图片的库
    print(f"成功加载图像: {img_path}")
except FileNotFoundError:
    print(f"错误: 找不到图像文件 {img_path}")
    # 如果找不到文件，直接退出程序，避免后续报错
    import sys
    sys.exit(1)

# 3.创建SummaryWriter对象
writer=SummaryWriter("logs")

#4.transform如何使用↓ （图像转换）
tensor_trans=transforms.ToTensor() #创建了一个ToTensor的对象
tensor_img=tensor_trans(img)

#5. 将图像写入 TensorBoard
writer.add_image(tag="DJI_0010_Image", img_tensor=tensor_img)

#6. 关闭 SummaryWriter
writer.close()

运行结果：

TensorBoard工作原理：在使用深度学习框架（以 PyTorch 为例）时，通过SummaryWriter类（from torch.utils.tensorboard import SummaryWriter）来记录想要可视化的数据。SummaryWriter会将这些数据以特定的格式写入到指定的日志目录中。然后，启动 TensorBoard 并指定日志目录，它会读取这些日志文件，将数据解析并以可视化的形式展示在网页界面上（通常通过在浏览器中访问本地地址，如 http://localhost:6006/  ）。

1.3.3  常见的Transforms

代码：

import os
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

# 确保路径正确
image_path = "7.22.1(1)/DJI_0010.JPG"
# 如果文件不存在，可以尝试使用绝对路径
if not os.path.exists(image_path):
    print(f"警告: 文件 {image_path} 不存在")
    # 这里可以添加你的绝对路径
    # image_path = "/完整/绝对/路径/DJI_0010.JPG"

# 创建SummaryWriter
writer = SummaryWriter("logs")

# 打开图像并打印基本信息
img = Image.open(image_path)
print(f"图像格式: {img.format}")
print(f"图像尺寸: {img.size}")
print(f"图像模式: {img.mode}")

# 1. ToTensor转换
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor, global_step=0)

# 2. Normalize归一化
print(f"归一化前第一个像素值: {img_tensor[0][0][0]}")
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
print(f"归一化后第一个像素值: {img_norm[0][0][0]}")
writer.add_image("Normalization", img_norm, global_step=0)

# 3. 额外添加Resize操作示例
trans_resize = transforms.Resize((256, 256))
img_resized = trans_resize(img)
img_resized_tensor = trans_totensor(img_resized)
writer.add_image("Resized", img_resized_tensor, global_step=0)

# 4. 添加多个时间步示例（可选）
# for i in range(5):
#     trans_rotate = transforms.RandomRotation(degrees=(i*10, i*10))
#     img_rotated = trans_rotate(img)
#     img_rotated_tensor = trans_totensor(img_rotated)
#     writer.add_image("Rotation", img_rotated_tensor, global_step=i)

writer.close()
print("数据已写入TensorBoard日志目录")

运行结果：

1.4 Tensor数据类型

在深度学习领域，尤其是在使用 PyTorch 框架时，Tensor（张量）是一种极为关键的数据类型。

从本质上来说，Tensor 可以看作是一个多维数组 ，与 Python 中常见的列表（list）以及 NumPy 中的数组（ndarray）类似，但功能更强大。比如，它支持在 GPU 上进行高速运算，大大提升深度学习模型的训练效率；还能自动记录运算过程，用于自动求导，这对于神经网络的训练至关重要。

Tensor 有几个重要属性。形状（shape） 描述了它的维度信息，比如二维 Tensor 可表示矩阵，三维 Tensor 常用于表示图像（在 PyTorch 中，图像的 Tensor 通常是 [通道数, 高度, 宽度] 的形式 ） ；数据类型（dtype） 包括常见的浮点数（如 torch.float32）、整数（如 torch.int64）、布尔值（torch.bool）等 ；设备（device） 指明了 Tensor 存储和运算的位置，如在 CPU 或者 GPU 上 ；是否需要梯度（requires_grad） 决定了该 Tensor 在运算过程中是否参与自动求导。

在深度学习模型训练中，Tensor 用于表示输入数据（如图片、文本等）、模型参数（权重和偏置等）、输出结果等。通过对 Tensor 进行各种数学运算（如加法、乘法、矩阵乘法等），以及利用自动求导机制计算梯度，不断调整模型参数，以达到模型性能优化的目的 。

2.  CNN 模型构建（核心技术）

在计算机视觉领域，卷积神经网络（Convolutional Neural Network, CNN）是图像分类任务的核心技术。《我是土堆》课程 P13-18 章节围绕 CNN 的基本组件展开，系统讲解了卷积层、池化层、激活函数等关键模块的原理与作用，为理解 CNN 模型构建奠定了理论基础。

2. 1  CNN 的核心组件：从信号处理到特征提取

CNN 的设计灵感源于生物视觉机制，通过多层非线性变换自动提取图像特征。其核心组件包括：

（1）卷积层（Convolutional Layer）

功能：通过卷积核（Filter）与输入图像进行局部滑动卷积，提取空间特征（如边缘、纹理）。

关键参数：

1.卷积核大小（如 3×3、5×5）：决定感知野范围；

2.步长（Stride）：控制卷积核滑动间隔，影响输出特征图尺寸；

3.填充（Padding）：保持特征图尺寸或扩大感知范围。

数学本质：将图像像素值与卷积核权重进行加权求和，实现特征的局部关联建模。

类比理解：可以把卷积层想象成 “挑挑拣拣的筛子” 。比如你在一堆混杂的水果（原始图像数据）里，用不同形状的模具（卷积核）去筛，圆形模具（检测圆形特征的卷积核）能把苹果挑出来，心形模具（检测心形特征的卷积核）能把草莓挑出来 。每一个模具在水果堆上滑动（卷积核在图像上滑动），把符合模具形状的水果特征 “筛” 出来，得到一堆代表不同特征的小堆（特征图），这些小堆就是对原始图像里特定特征的提取结果，帮我们聚焦图像里的关键信息，比如边缘、纹理、形状等。

（2）池化层（Pooling Layer）

功能：对卷积层输出的特征图进行下采样，降低维度并增强特征鲁棒性。

常见类型：

1.最大池化（Max Pooling）：保留局部区域最大值，突出显著特征；

2.平均池化（Average Pooling）：计算局部区域平均值，平滑特征。

作用：减少计算量，缓解过拟合，同时对图像平移、缩放具有一定不变性。

池化层类比理解：就当它是 “偷懒的简化师” 。假设卷积层筛出了一堆代表苹果的小堆（特征图），里面有很多苹果（特征点）。最大池化呢，就是在一小片区域里，只留下最大的那个苹果（保留局部最大值），相当于说 “这片里最大的苹果最能代表这里的特征，其他小的就简化掉” ，突出最显著的特征；平均池化则是把一小片区域的苹果数量平均一下，取个中间值（计算局部平均值），让特征没那么极端，变得平滑些。这么做是为了少处理些东西（减少计算量），还能避免过度关注细节（缓解过拟合），而且不管苹果在小区域里怎么挪位置（图像平移）、变大变小（图像缩放），简化后还能认出是苹果相关特征（一定不变性）。

鲁棒性类比理解：简单说就是 “抗造、皮实” 。比如训练好的模型识别苹果，不管苹果在图像里稍微歪一点（平移）、大一点小一点（缩放）、亮一点暗一点（光照变化），模型还能认出是苹果，这就说明模型对苹果这个特征的识别有鲁棒性，也就是面对一些干扰、变化，依然能稳定工作、准确识别的能力 ，放到图像任务里，池化层通过简化特征，一定程度上让模型没那么 “挑剔” 图像的细微变化，提升这种抗造的能力。

（3）激活函数（Activation Function）

功能：为神经网络引入非线性，解决线性模型表达能力不足的问题。

典型函数：

1.ReLU（Rectified Linear Unit）：计算简单、缓解梯度消失，但存在 “死神经元” 问题；

2.Sigmoid/Softmax：用于二分类或多分类任务的输出层，输出概率分布；

3.Tanh：输出值域为 [-1,1]，适用于需要对称激活的场景。

类比理解：把它想成 “给特征打鸡血的开关” 。卷积层筛出来的特征小堆，数值可能都很平淡。激活函数就像给这些数值灌了 “能量饮料” ，设定一个规则，比如数值超过某个阈值（像 ReLU 函数，大于 0 就保留，小于 0 变 0 ），就 “激活” 它们，让有用的特征数值变大、更突出，没用的就弱化甚至干掉。这样能给网络引入非线性，不然一堆线性计算叠加，再复杂的图像也没法很好区分，有了激活函数，才能让网络学会识别各种复杂的图案、物体。

2.2  组件协同：从单神经元到多层网络

CNN 通过多层组件的堆叠形成深度网络，其核心逻辑为：

2.2.1特征分层提取：

（1）浅层网络（如前 1-2 层）提取边缘、颜色等基础特征；

（2）深层网络逐步组合形成复杂特征（如物体部件、整体结构）。

2.2.2计算效率优化：

（1）权值共享（Weight Sharing）：同一卷积核在图像不同位置共享参数，大幅减少参数量；

（2）局部连接（Local Connectivity）：每个神经元仅与输入图像的局部区域相连，符合视觉信号的局部相关性。

2.3  图像分类的核心逻辑：从像素到语义

在图像分类任务中，CNN 的工作流程可概括为：

（1）输入层：将图像像素值标准化（如归一化至 [0,1] 或 [-1,1]），作为网络输入。

（2）卷积 - 激活 - 池化链：

通过多层 “卷积 + 激活 + 池化” 的组合，逐步提取层次化特征；

特征图数量（通道数）随层数增加而增多，尺寸逐渐缩小（如从 224×224 降至 7×7）。

（3）全连接层（Fully Connected Layer）：

将最后一层特征图展平为一维向量，通过全连接层映射到类别空间；

输出层使用 Softmax 激活函数，输出各类别概率，通过交叉熵损失函数优化模型。