A029-AlexNet模型实现鸟类识别.md

A029-AlexNet模型实现鸟类识别

视频课程：https://www.bilibili.com/video/BV1mveqzXE2n/

【购买前必看】

1、关于我们

深度学习乐园是由python哥全职技术团队组建运营【团队成员为：复旦大学博士、华东理工爱丁堡博士、格拉斯哥博士、纽约大学硕士、浙江大学硕士】。

我们只做python业务，精通sklearn机器学习/torch深度学习/django/flask/vue全栈开发。

2、关于项目

我们从2018年开始，就专注于深度学习sci、ei、ccf、kaggle等，至今已有7年，共发表过10多篇顶刊顶会。

官网累积了数百个项目，已有3000多学员付费购买，圈子内有口皆碑：www.zzgcz.com （更多高级私密项目无法对外，联系微信定制：zzgcz_com）

3、售后承诺

包远程安装调试，所有项目均在本地运行通过，大部分都有截图和录屏。

支持二次修改，所有项目都是我们自己写的，改起来也非常容易。

加急定制1-2天可完成，这就是实力证明，远程验收满意后再付全款！

所有客户终身售后。兼职的人家都有主业，谁愿意持续服务你？

1. 项目简介

本项目旨在使用 PyTorch 框架手写实现经典的 AlexNet 卷积神经网络，并在一个自建的鸟类图像数据集上完成分类任务。

  • 数据集位于 ./bird_photos/，其中每个子文件夹对应一个鸟类类别。

  • 模型从零开始训练，未使用预训练权重。

  • 项目最终目标是：输入任意一张鸟类图像，输出其所属类别及预测置信度。

Image Token: TNnEb5YfkopOzAxK16NcUWodnjb

2. 技术要点

  • 自定义 AlexNet 实现

  • 五个卷积层 + 三个全连接层的经典架构。

  • 输入固定为 224×224，输出为类别数。

  • 数据划分与增强

  • 使用 sklearn.model_selection.train_test_split，分层抽样保证各类别比例一致。

  • 数据增强：随机裁剪缩放、水平翻转、颜色抖动。

  • 训练优化

  • 优化器：Adam(lr=3e-4, weight_decay=1e-4)。

  • 调度器：CosineAnnealingLR，随 epoch 递减学习率。

  • 混合精度训练：torch.amp.autocast("cuda") + GradScaler。

  • 可复现性与加速

  • 固定随机种子 seed=42。

  • 启用 cudnn.benchmark=True 提升 GPU 卷积计算效率。

3. 数据集与预处理

  • 目录结构：

  • bird_photos/ ├─ Bananaquit/ ├─ Cardinal/ ├─ BlueJay/ └─ Sparrow/

  • 划分比例：训练集 80%，验证集 20%。

  • 图像预处理：

  • 训练集：

    • RandomResizedCrop(224, scale=(0.7,1.0))

    • RandomHorizontalFlip()

    • ColorJitter()

    • ToTensor() + Normalize(mean, std)

  • 验证集：

    • Resize(256) → CenterCrop(224)

    • ToTensor() + Normalize(mean, std)

  • 标准化参数：

  • 均值：[0.485, 0.456, 0.406]

  • 方差：[0.229, 0.224, 0.225]

4. 模型结构

AlexNet（PyTorch 实现）：

  • 特征提取部分 (features)：

  • Conv1：输入 3 通道，输出 64，卷积核 11×11，stride=4，padding=2 → ReLU → MaxPool(3, stride=2)

  • Conv2：64→192，5×5，padding=2 → ReLU → MaxPool(3, stride=2)

  • Conv3：192→384，3×3，padding=1 → ReLU

  • Conv4：384→256，3×3，padding=1 → ReLU

  • Conv5：256→256，3×3，padding=1 → ReLU → MaxPool(3, stride=2)

  • 分类部分 (classifier)：

  • Flatten → 256×6×6=9216

  • Linear(9216, 4096) → ReLU → Dropout(0.5)

  • Linear(4096, 4096) → ReLU → Dropout(0.5)

  • Linear(4096, num_classes)

5. 训练流程

5.1 损失与优化

  • 损失函数：CrossEntropyLoss()

  • 优化器：Adam，学习率 3e-4

  • 学习率调度：CosineAnnealingLR

5.2 训练循环

  • 每个 epoch 执行：

  • 前向传播 (autocast 混合精度)

  • 反向传播 (scaler.scale)

  • 更新参数 (optimizer.step())

  • 每轮结束后：

  • 计算训练集平均损失与精度

  • 在验证集上评估并保存最佳模型权重

5.3 模型保存

  • 最佳模型：

  • 路径：outputs/best_alexnet_from_scratch.pth

  • 保存内容：state_dict、类别标签、验证集最佳精度、配置参数等。

6. 推理与应用

单图推理函数

predict_image(model_path, image_path)

  • 输入：模型路径 + 图像路径

  • 输出：预测类别名称、置信度

  • 示例：

predict_image("outputs/best_alexnet_from_scratch.pth","./bird_photos/Bananaquit/001.jpg") # => Prediction: Bananaquit (confidence=0.9821)

7. 结果与可视化

  • 日志输出：每轮打印训练/验证损失与精度

  • Epoch 01/5 | train_loss 1.2345 acc 0.5678 | val_loss 1.0123 acc 0.6789

  • 保存文件：

  • best_alexnet_from_scratch.pth → 模型参数

  • 可扩展添加：Loss/Acc 曲线、混淆矩阵、预测样例图

8. 优缺点评价

优点

  1. 结构清晰：手写 AlexNet，便于理解经典 CNN 设计思想。

  2. 增强鲁棒性：数据增强与分层划分提高泛化能力。

  3. 训练效率高：AMP 混合精度与 Adam 优化器加速收敛。

  4. 可扩展性强：易于添加更多可视化或替换更现代的骨干网络。

缺点

  1. 参数量大：尤其是两个全连接 4096 层，计算开销高。

  2. 缺少正则化技巧：未引入 BatchNorm、Label Smoothing 等。

  3. 精度受限：相较现代网络（ResNet/EfficientNet）准确率偏低。

改进方向

  • 引入 BatchNorm、SE-Block 或注意力机制

  • 尝试 更轻量的网络（MobileNet、EfficientNet）

  • 使用 更多数据增强（Mixup、CutMix）

  • 增加 可视化模块（Grad-CAM、特征图展示）