网站设置怎么调_淄博临淄信息港_编程培训机构排名前十_企业查询app

📘 项目复盘文档

📅 日期：2025年4月7日
🧑‍💻 项目方向：图像分类 + 传统机器学习模型融合实践
🔧 工具栈：PyTorch, torchvision, sklearn, Jupyter Lab

---

✅ 今日完成工作

1. 构建图像分类项目的目录结构

采用模块化、工程化的目录设计：

my_project/├── notebooks/│   ├── 01_data_exploration.ipynb│   ├── 02_model_training.ipynb│   └── 03_evaluation.ipynb├── src/│   ├── __init__.py│   ├── data/│   │   └── load_data.py│   ├── features/│   │   └── build_features.py│   ├── models/│   │   └── train_model.py│   └── utils/│       └── helpers.py├── data/│   ├── raw/│   ├── processed/├── outputs/│   ├── figures/│   ├── models/├── requirements.txt└── README.md

该结构具备良好的扩展性和可维护性，体现了工程思维。

---

2. 使用 torchvision 构建图像增强流程

• 应用数据增强策略（如 RandomHorizontalFlip, ColorJitter 等）
• 区分训练集和验证集变换（确保评估一致性）
• 准备符合模型输入规范的 Dataloader

---

3. 实现特征提取流程并用于传统模型

• 利用预训练 ResNet50（去掉最后分类层）作为特征提取器
• 针对 Sklearn 模型（KNN, SVM, RF）进行特征提取
• 编写模块化 extract_features_resnet() 函数
• 成功生成特征矩阵 X_train_feat, X_val_feat 及对应标签

---

4. 初步理解工程抽象逻辑

• 明确了 CNN/ResNet模型是端到端学习特征+分类，无需手动提取
• 而传统模型（Sklearn）不接受图像输入，需先用深度模型提取向量特征

---

💡 技术理解与思考

内容	理解情况
__init__.py	理解其用于包识别与模块导入管理的作用
特征提取本质	明确了“图像 → feature vector → sklearn模型”的流程
模型适配	区分了端到端模型 vs 非端到端模型的输入要求
数据增强策略	意识到评估阶段应保持输入一致性，避免增强干扰评估
项目结构意义	理解“模块分离”带来的可维护性与扩展性

---

🧭 指导与建议

📌 下一阶段建议：

路线	具体建议
自动化实验配置	学习 Hydra / Argparse 管理训练参数
实验可视化	尝试集成 wandb 或 MLflow 做日志记录与比较
训练逻辑抽象	考虑引入 PyTorch Lightning 管理训练循环
模型部署尝试	将最佳模型用 FastAPI + Docker 打包为 REST 接口
特征分析深化	用 t-SNE 可视化提取特征，探索模型决策边界
数据版本管理	引入 DVC 实现训练数据与模型的可复现性管理

---

📌 可以考虑：

• 整理现有代码为一个标准化模板（如 cookiecutter）
• 增加 CLI 接口或配置系统
• 加入 wandb 日志跟踪模块
• 设计评估报告输出脚本（自动汇总 acc, loss, confusion matrix）

---

🧠 总结：

推进了实验，开始掌握了“工程抽象”和“架构感知”，已从模型调参者成长为项目搭建者。