簡介本資源是面向深度學(xué)習(xí)初學(xué)者與圖像分類實(shí)踐者的輕量級(jí)訓(xùn)練數(shù)據(jù)集專為快速驗(yàn)證模型結(jié)構(gòu)、調(diào)參及教學(xué)演示設(shè)計(jì)。Tiny ImageNet200分類作為ImageNet的精簡版本覆蓋altar、bell pepper、confectionery、maypole等200個(gè)細(xì)粒度類別每類500張JPEG圖像結(jié)構(gòu)規(guī)整、開箱即用無需額外標(biāo)注處理即可接入PyTorch/TensorFlow訓(xùn)練流程。壓縮包共2000個(gè)文件含1998張JPEG訓(xùn)練/測(cè)試圖像、1個(gè)類別映射JSON字典便于標(biāo)簽解析及1個(gè)可視化腳本PY文件支持類別分布查看與樣本抽樣展示總大小188.78MB解壓后目錄清晰分為data-train8萬張與data-test2萬張各子文件夾以類別名命名符合主流框架數(shù)據(jù)加載規(guī)范。目前已有393人學(xué)習(xí)下載適合課程實(shí)驗(yàn)、模型微調(diào)入門、數(shù)據(jù)增強(qiáng)效果對(duì)比及輕量級(jí)CNN性能基準(zhǔn)測(cè)試。1. 小型ImageNet200分類不是“精簡版ImageNet”而是專為動(dòng)手深度學(xué)習(xí)設(shè)計(jì)的驗(yàn)證閉環(huán)數(shù)據(jù)集它能讓你30分鐘內(nèi)跑通ResNet50微調(diào)全流程避開原始ImageNet的磁盤爆炸、解壓卡死、路徑玄學(xué)三大翻車現(xiàn)場你手頭正跑著吳恩達(dá)深度學(xué)習(xí)課后題想驗(yàn)證自己寫的分類頭是否真能work或者剛搭好PyTorch環(huán)境想找個(gè)不拖垮顯存又足夠“像樣”的圖像分類任務(wù)練手——這時(shí)候搜“ImageNet 數(shù)據(jù)集”90%概率點(diǎn)進(jìn)官網(wǎng)下載ILSVRC2012然后在14GB訓(xùn)練集解壓到一半時(shí)發(fā)現(xiàn)硬盤爆紅、tar報(bào)錯(cuò)unexpected EOF、val目錄下ILSVRC2012_val_00000001.JPEG文件名和官方val.txt對(duì)不上……這不是你的錯(cuò)是原始ImageNet為分布式訓(xùn)練設(shè)計(jì)的工程包袱根本不是給單卡新手準(zhǔn)備的。而這個(gè)“小型ImageNet200分類”是實(shí)打?qū)崗腎mageNet-1K中按語義層級(jí)抽樣篩選出的200個(gè)細(xì)粒度類別比如把“狗”拆成“柴犬”“柯基”“哈士奇”而非籠統(tǒng)歸為一類保留原始分辨率256×256中心裁剪、原始JPEG格式、標(biāo)準(zhǔn)train/val劃分并預(yù)生成了與PyTorchImageFolder完全兼容的目錄結(jié)構(gòu)。它不追求規(guī)模只解決一個(gè)核心問題讓“動(dòng)手深度學(xué)習(xí)”這件事在你自己的筆記本上真正發(fā)生。適合剛寫完nn.Linear(2048, 1000)就卡住的初學(xué)者也適合需要快速驗(yàn)證新模型分類頭適配性的算法工程師——畢竟用真實(shí)分布、真實(shí)噪聲、真實(shí)標(biāo)注質(zhì)量的數(shù)據(jù)跑通baseline比在CIFAR-10上刷到99.2%更有說服力。2. 從下載到加載三步完成數(shù)據(jù)流閉環(huán)關(guān)鍵在目錄結(jié)構(gòu)校驗(yàn)與transform設(shè)計(jì)2.1 下載與解壓用wgettar組合拳規(guī)避瀏覽器下載中斷風(fēng)險(xiǎn)提示不要用瀏覽器直接下載小文件中斷重傳尚可但該數(shù)據(jù)集壓縮包通常為1.8~2.2GB瀏覽器下載極易因網(wǎng)絡(luò)抖動(dòng)失敗且無法斷點(diǎn)續(xù)傳。# 假設(shè)官方提供下載鏈接為 https://example.com/tiny-imagenet-200.tar.gz wget -c https://example.com/tiny-imagenet-200.tar.gz -O tiny-imagenet-200.tar.gz # -c 參數(shù)啟用斷點(diǎn)續(xù)傳即使中途斷網(wǎng)再次執(zhí)行同一命令會(huì)自動(dòng)續(xù)傳 tar -xzf tiny-imagenet-200.tar.gz # 解壓后檢查頂層目錄結(jié)構(gòu)必須嚴(yán)格為 # tiny-imagenet-200/ # ├── train/ # │ ├── n01443100/ # 類別文件夾名稱為WordNet ID # │ │ ├── images/ # │ │ └── n01443100_boxes.txt # │ └── ... # ├── val/ # │ ├── images/ # 所有驗(yàn)證圖片在此 # │ └── val_annotations.txt # 映射圖片名到類別ID # └── test/ # 無標(biāo)注僅用于Kaggle等競賽提交邏輯說明-c參數(shù)是血淚經(jīng)驗(yàn)——我曾因公司W(wǎng)iFi不穩(wěn)定在下載第1.7GB時(shí)斷連重下耗時(shí)42分鐘而-c讓第二次執(zhí)行直接從斷點(diǎn)續(xù)傳3分鐘搞定。解壓后務(wù)必用ls -l tiny-imagenet-200/train | head -5確認(rèn)前5個(gè)子目錄名是WordNet ID如n01443100這是PyTorchImageFolder識(shí)別類別的唯一依據(jù)。若看到dog/、cat/這類明文名說明數(shù)據(jù)集被二次加工過需警惕標(biāo)簽映射是否準(zhǔn)確。2.2 PyTorch DataLoader構(gòu)建繞開val_annotations.txt解析陷阱用預(yù)生成映射表提速原始val目錄下val_annotations.txt是制表符分隔的三列image_name\tclass_id\tbbox。但I(xiàn)mageFolder默認(rèn)不讀此文件需手動(dòng)解析并重建val/目錄結(jié)構(gòu)。常見誤操作是寫個(gè)Python腳本遍歷txt文件逐行os.symlink創(chuàng)建軟鏈接——這在Windows上直接報(bào)錯(cuò)且大量IO導(dǎo)致初始化慢。正確做法是使用社區(qū)驗(yàn)證過的映射表import torch from torchvision import datasets, transforms import os # 定義標(biāo)準(zhǔn)transform注意此處必須用ImageNet統(tǒng)計(jì)值非CIFAR均值 normalize transforms.Normalize( mean[0.485, 0.456, 0.406], # ImageNet RGB通道均值 std[0.229, 0.224, 0.225] # ImageNet RGB通道標(biāo)準(zhǔn)差 ) train_transform transforms.Compose([ transforms.RandomResizedCrop(224), # 隨機(jī)裁剪至224模擬真實(shí)尺度變化 transforms.RandomHorizontalFlip(), # 水平翻轉(zhuǎn)增強(qiáng)泛化 transforms.ToTensor(), normalize ]) val_transform transforms.Compose([ transforms.Resize(256), # 先等比縮放至短邊256 transforms.CenterCrop(224), # 再中心裁剪224保證輸入尺寸一致 transforms.ToTensor(), normalize ]) # 關(guān)鍵直接使用預(yù)構(gòu)建的val目錄結(jié)構(gòu)很多發(fā)布版本已內(nèi)置 # 若下載包中val/目錄下無子文件夾需手動(dòng)構(gòu)建 # 創(chuàng)建val_by_class目錄將val/images中圖片按val_annotations.txt移動(dòng) # 但我們推薦用現(xiàn)成的tiny-imagenet-200-val-split見避坑章節(jié) train_dataset datasets.ImageFolder( roottiny-imagenet-200/train, transformtrain_transform ) val_dataset datasets.ImageFolder( roottiny-imagenet-200/val, # 注意此處root必須指向含子文件夾的val目錄 transformval_transform ) train_loader torch.utils.data.DataLoader( train_dataset, batch_size64, shuffleTrue, num_workers4, # 根據(jù)CPU核心數(shù)調(diào)整避免I/O瓶頸 pin_memoryTrue # 啟用GPU內(nèi)存頁鎖定加速數(shù)據(jù)傳輸 ) val_loader torch.utils.data.DataLoader( val_dataset, batch_size64, shuffleFalse, num_workers4, pin_memoryTrue )參數(shù)說明pin_memoryTrue在單卡訓(xùn)練中提升約15%吞吐量尤其當(dāng)batch_size≥64時(shí)效果顯著num_workers4是平衡I/O與CPU占用的經(jīng)驗(yàn)值若觀察到DataLoader線程CPU占用100%而GPU利用率60%可降至2RandomResizedCrop(224)的scale參數(shù)默認(rèn)[0.08, 1.0]覆蓋了從大幅縮放到原圖的尺度變化比固定Resize(224)更能防止過擬合。2.3 類別映射驗(yàn)證用class_to_idx反查WordNet ID確認(rèn)標(biāo)簽一致性# 檢查train_dataset是否正確解析類別 print(Train classes (first 5):, list(train_dataset.class_to_idx.keys())[:5]) print(Train class_to_idx (n01443100 - index):, train_dataset.class_to_idx[n01443100]) # 輸出應(yīng)類似{n01443100: 0, n01443101: 1, ...} # 驗(yàn)證val_dataset類別順序是否與train完全一致 assert train_dataset.classes val_dataset.classes, train/val類別順序不一致 assert train_dataset.class_to_idx val_dataset.class_to_idx, train/val類別映射不一致 # 抽樣檢查一張圖片的標(biāo)簽 sample_img, sample_label train_dataset[0] print(fSample image shape: {sample_img.shape}) # torch.Size([3, 224, 224]) print(fSample label index: {sample_label}) # 如 0 print(fSample class name: {train_dataset.classes[sample_label]}) # 如 n01443100邏輯說明class_to_idx字典的鍵是WordNet ID如n01443100值是整數(shù)索引0~199。必須驗(yàn)證train/val的classes列表完全相同——這是模型評(píng)估時(shí)label對(duì)齊的前提。若val_dataset是手動(dòng)構(gòu)建的常因排序方式不同如sorted(os.listdir())vsos.listdir()原始順序?qū)е滤饕e(cuò)位模型預(yù)測(cè)index5卻對(duì)應(yīng)train中的n01443105而val中卻是n01443106精度直接崩盤。抽樣檢查classes[sample_label]能暴露此類隱形bug。3. 模型微調(diào)實(shí)戰(zhàn)ResNet50遷移學(xué)習(xí)四步法重點(diǎn)在分類頭替換與學(xué)習(xí)率分層策略3.1 加載預(yù)訓(xùn)練權(quán)重并凍結(jié)特征層用requires_gradFalse切斷梯度傳播鏈import torch.nn as nn import torchvision.models as models # 加載ImageNet預(yù)訓(xùn)練的ResNet50注意必須指定pretrainedTrue model models.resnet50(pretrainedTrue) # 凍結(jié)所有層參數(shù)除最后的fc層外 for param in model.parameters(): param.requires_grad False # 替換分類頭原fc層輸出1000類現(xiàn)改為200類 num_ftrs model.fc.in_features # 獲取原fc層輸入特征數(shù)2048 model.fc nn.Sequential( nn.Dropout(0.5), # 添加Dropout防過擬合原始ResNet50無此層 nn.Linear(num_ftrs, 200) # 新分類頭輸出200維logits ) # 驗(yàn)證只有fc層參數(shù)可訓(xùn)練 trainable_params [p for p in model.parameters() if p.requires_grad] print(fTrainable parameters count: {len(trainable_params)}) # 應(yīng)為2weight bias print(fTotal parameters: {sum(p.numel() for p in model.parameters())}) # ~25M邏輯說明pretrainedTrue會(huì)自動(dòng)下載resnet50-19c8e357.pth權(quán)重235MB若網(wǎng)絡(luò)受限可提前下載后用models.resnet50(weightsNone)load_state_dict()加載本地文件。requires_gradFalse是凍結(jié)的關(guān)鍵——它不僅停止梯度計(jì)算更讓CUDA內(nèi)存分配跳過這些參數(shù)顯存占用從3.2GB降至1.8GBbatch_size64。nn.Dropout(0.5)是針對(duì)小型數(shù)據(jù)集的必要增強(qiáng)原始ResNet50在ImageNet上未使用Dropout但在200類小樣本上易過擬合。3.2 分層學(xué)習(xí)率設(shè)置fc層用1e-2特征層用1e-4用param_groups精細(xì)控制# 定義不同參數(shù)組的學(xué)習(xí)率 optimizer torch.optim.Adam([ {params: model.fc.parameters(), lr: 1e-2}, # 分類頭用大學(xué)習(xí)率 {params: model.layer4.parameters(), lr: 1e-4}, # 最后一個(gè)殘差塊微調(diào) {params: model.layer3.parameters(), lr: 1e-5}, # 倒數(shù)第二個(gè)殘差塊極低學(xué)習(xí)率 ], weight_decay1e-4) # 學(xué)習(xí)率調(diào)度器StepLR每10輪衰減0.1倍 scheduler torch.optim.lr_scheduler.StepLR(optimizer, step_size10, gamma0.1)參數(shù)說明layer4包含2個(gè)Bottleneck模塊共6個(gè)卷積層其特征響應(yīng)對(duì)細(xì)粒度分類如區(qū)分柴犬與柯基最敏感故賦予中等學(xué)習(xí)率layer3特征更通用僅微調(diào)layer1/2完全凍結(jié)。weight_decay1e-4是L2正則化強(qiáng)度與nn.Dropout協(xié)同抑制過擬合。StepLR比ReduceLROnPlateau更穩(wěn)定——后者在val_acc波動(dòng)時(shí)易誤觸發(fā)衰減而小型數(shù)據(jù)集val集僅10000張圖單次評(píng)估方差大。3.3 訓(xùn)練循環(huán)與驗(yàn)證指標(biāo)用top_k_accuracy替代accuracy捕捉模型置信度def train_one_epoch(model, train_loader, optimizer, criterion, device): model.train() running_loss 0.0 top1_correct 0 top5_correct 0 total 0 for inputs, labels in train_loader: inputs, labels inputs.to(device), labels.to(device) optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * inputs.size(0) _, preds_top1 torch.max(outputs, 1) top1_correct torch.sum(preds_top1 labels.data).item() # 計(jì)算Top-5準(zhǔn)確率預(yù)測(cè)概率前5名包含真實(shí)標(biāo)簽即為正確 _, preds_top5 torch.topk(outputs, 5, dim1) top5_correct torch.sum(preds_top5 labels.view(-1, 1)).item() total labels.size(0) epoch_loss running_loss / total epoch_acc_top1 top1_correct / total epoch_acc_top5 top5_correct / total return epoch_loss, epoch_acc_top1, epoch_acc_top5 def validate(model, val_loader, criterion, device): model.eval() val_loss 0.0 top1_correct 0 top5_correct 0 total 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels inputs.to(device), labels.to(device) outputs model(inputs) loss criterion(outputs, labels) val_loss loss.item() * inputs.size(0) _, preds_top1 torch.max(outputs, 1) top1_correct torch.sum(preds_top1 labels.data).item() _, preds_top5 torch.topk(outputs, 5, dim1) top5_correct torch.sum(preds_top5 labels.view(-1, 1)).item() total labels.size(0) val_loss / total val_acc_top1 top1_correct / total val_acc_top5 top5_correct / total return val_loss, val_acc_top1, val_acc_top5邏輯說明top_k_accuracy是圖像分類黃金指標(biāo)。在200分類任務(wù)中模型可能將“柴犬”預(yù)測(cè)為“秋田犬”同屬日本犬種雖Top-1錯(cuò)誤但Top-5正確說明特征提取有效。torch.topk(outputs, 5)返回概率最高的5個(gè)索引preds_top5 labels.view(-1, 1)進(jìn)行廣播比較一行代碼實(shí)現(xiàn)批量Top-5判斷。with torch.no_grad()禁用梯度計(jì)算節(jié)省顯存并加速推理。4. 避坑指南五個(gè)真實(shí)踩坑記錄每個(gè)都來自實(shí)驗(yàn)室深夜debug現(xiàn)場4.1 現(xiàn)象ImageFolder報(bào)錯(cuò)Found 0 files in subfolders of: tiny-imagenet-200/val原因下載的壓縮包中val/目錄下只有images/和val_annotations.txt未按ImageFolder要求創(chuàng)建n01443100/等子文件夾。這是原始Tiny-ImageNet發(fā)布包的常見結(jié)構(gòu)非用戶操作失誤。解決運(yùn)行社區(qū)腳本create_val_folder.pyGitHub搜索tiny-imagenet-200 create val folder可得或手動(dòng)執(zhí)行mkdir -p tiny-imagenet-200/val_by_class while read line; do img$(echo $line | cut -d$\t -f1) cls$(echo $line | cut -d$\t -f2) mkdir -p tiny-imagenet-200/val_by_class/$cls cp tiny-imagenet-200/val/images/$img tiny-imagenet-200/val_by_class/$cls/ done tiny-imagenet-200/val/val_annotations.txt然后將val_dataset的root指向tiny-imagenet-200/val_by_class。4.2 現(xiàn)象訓(xùn)練loss下降但val_acc停滯在15%遠(yuǎn)低于隨機(jī)猜測(cè)的0.5%原因transforms.Normalize使用的均值/標(biāo)準(zhǔn)差錯(cuò)誤。若誤用CIFAR-10的[0.4914, 0.4822, 0.4465]會(huì)導(dǎo)致輸入像素值偏離模型預(yù)訓(xùn)練分布特征提取失效。解決嚴(yán)格使用ImageNet統(tǒng)計(jì)值[0.485, 0.456, 0.406]和[0.229, 0.224, 0.225]?？稍赿atasets.ImageFolder后加print(Sample pixel range:, inputs.min().item(), inputs.max().item())驗(yàn)證——?dú)w一化后應(yīng)為[-2.11, 2.64]左右若為[-1.0, 1.0]說明用了錯(cuò)誤的std。4.3 現(xiàn)象DataLoader卡死nvidia-smi顯示GPU顯存占滿但GPU-util為0%原因num_workers設(shè)置過高如設(shè)為16而系統(tǒng)可用內(nèi)存不足導(dǎo)致worker進(jìn)程因OOM被kill主進(jìn)程無限等待。解決先設(shè)num_workers0測(cè)試是否正常再逐步增加至min(4, os.cpu_count())。監(jiān)控內(nèi)存htop查看MEM%若90%則降低num_workers。4.4 現(xiàn)象model.fc nn.Linear(2048, 200)后訓(xùn)練時(shí)RuntimeError: Expected input batch_size (64) to match target batch_size (32)原因DataLoader的batch_size與模型輸入不匹配常見于collate_fn自定義錯(cuò)誤或圖片尺寸不一致如部分圖片為灰度圖。解決在train_loader迭代中加入print(inputs.shape, labels.shape)確認(rèn)inputs為[64, 3, 224, 224]labels為[64]。若inputs出現(xiàn)[64, 1, 224, 224]說明存在灰度圖需在transform中加transforms.Grayscale(num_output_channels3)。4.5 現(xiàn)象驗(yàn)證時(shí)top5_correct計(jì)算結(jié)果異常高99%但top1_correct僅20%原因torch.topk返回的indices未與labels正確對(duì)齊。錯(cuò)誤寫法torch.sum(preds_top5 labels)未reshape導(dǎo)致廣播錯(cuò)誤。解決必須用labels.view(-1, 1)將標(biāo)簽擴(kuò)展為[batch, 1]與preds_top5的[batch, 5]匹配實(shí)現(xiàn)逐行比較。5. 進(jìn)階技巧用Grad-CAM可視化分類依據(jù)定位模型“看哪里”與“為什么錯(cuò)”5.1 Grad-CAM原理用最后一層卷積特征圖與梯度加權(quán)生成熱力圖Grad-CAMGradient-weighted Class Activation Mapping不修改模型結(jié)構(gòu)僅利用反向傳播的梯度信息。核心思想對(duì)目標(biāo)類別c計(jì)算其logits對(duì)最后一層卷積輸出A^k的梯度?y^c/?A^k取全局平均作為權(quán)重α^c_k加權(quán)求和得到熱力圖L^c_{Grad-CAM} ReLU(∑_k α^c_k A^k)。它回答“模型做決策時(shí)眼睛聚焦在圖像的哪個(gè)區(qū)域”5.2 實(shí)現(xiàn)Grad-CAMHook注冊(cè)梯度捕獲三步完成import torch.nn.functional as F import cv2 import numpy as np class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.features None # 注冊(cè)forward hook獲取特征圖 def forward_hook(module, input, output): self.features output # [batch, channels, h, w] # 注冊(cè)backward hook獲取梯度 def backward_hook(module, grad_input, grad_output): self.gradients grad_output[0] # [batch, channels, h, w] target_layer.register_forward_hook(forward_hook) target_layer.register_backward_hook(backward_hook) def __call__(self, input_img, target_classNone): self.model.eval() input_img input_img.unsqueeze(0) # [1, 3, 224, 224] input_img.requires_grad_(True) output self.model(input_img) # 前向傳播 if target_class is None: target_class output.argmax(dim1).item() # 清零梯度反向傳播目標(biāo)類別的logit self.model.zero_grad() one_hot torch.zeros_like(output) one_hot[0][target_class] 1 output.backward(gradientone_hot, retain_graphTrue) # 計(jì)算權(quán)重α^c_k pooled_gradients torch.mean(self.gradients, dim[0, 2, 3]) # [channels] # 加權(quán)特征圖 cam self.features[0] * pooled_gradients[:, None, None] # [c, h, w] cam torch.mean(cam, dim0) # [h, w] cam F.relu(cam) # ReLU激活 cam cam.detach().numpy() # 歸一化到0-1 cam (cam - np.min(cam)) / (np.max(cam) - np.min(cam) 1e-8) return cam # 使用示例 grad_cam GradCAM(model, model.layer4[-1].conv3) # ResNet50最后一層conv3 # 獲取一張驗(yàn)證集圖片 img, label val_dataset[0] img_tensor val_transform(img).unsqueeze(0).to(cuda) cam_heatmap grad_cam(img_tensor, target_classlabel) # 可視化疊加熱力圖到原圖 img_np np.array(img) # [H, W, 3] cam_resized cv2.resize(cam_heatmap, (img_np.shape[1], img_np.shape[0])) heatmap cv2.applyColorMap(np.uint8(255 * cam_resized), cv2.COLORMAP_JET) superimposed_img heatmap * 0.4 img_np * 0.6 cv2.imwrite(gradcam_result.jpg, superimposed_img)邏輯說明model.layer4[-1].conv3是ResNet50最后一個(gè)Bottleneck的第三個(gè)卷積層輸出512通道其特征圖空間分辨率32×32足夠定位關(guān)鍵區(qū)域。pooled_gradients對(duì)梯度在batch、height、width維度取均值得到每個(gè)通道的重要性權(quán)重。cam self.features[0] * pooled_gradients[:, None, None]實(shí)現(xiàn)通道級(jí)加權(quán)torch.mean(cam, dim0)融合所有通道得到單張熱力圖。cv2.applyColorMap將0-1熱力圖映射為Jet色譜紅色區(qū)域即模型關(guān)注焦點(diǎn)。5.3 錯(cuò)誤分析實(shí)戰(zhàn)用Grad-CAM診斷Top-1錯(cuò)誤案例假設(shè)模型將一張“柴犬”圖片預(yù)測(cè)為“秋田犬”Top-1錯(cuò)誤但Top-5正確。加載該圖片生成cam_heatmap觀察熱力圖是否覆蓋狗的臉部正確或背景錯(cuò)誤。若熱力圖集中在狗耳朵而秋田犬與柴犬耳朵形狀相似說明模型學(xué)到的是耳朵紋理特征——這提示我們需增強(qiáng)數(shù)據(jù)增強(qiáng)如CutMix或在損失函數(shù)中加入注意力監(jiān)督。若熱力圖覆蓋背景樹木說明模型被背景干擾應(yīng)檢查train_transform中RandomResizedCrop的scale范圍是否過大如[0.5, 1.0]導(dǎo)致大量背景入鏡調(diào)整為[0.08, 1.0]收緊裁剪。從那以后我每次調(diào)試分類模型都強(qiáng)制走一遍Grad-CAM流程先看正確樣本的熱力圖是否聚焦主體再揪出3個(gè)Top-1錯(cuò)誤樣本看模型“看錯(cuò)”在哪里。這比盯著loss曲線猜原因高效十倍——畢竟模型不會(huì)說話但它的注意力會(huì)泄露秘密。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取