深度学习农作物病虫害识别实战：图像分类与迁移学习完整指南

简介：面向计算机相关专业毕业生与实战学习者的Python人工智能毕业设计项目，基于深度学习实现农作物病虫害识别，覆盖图像分类、模型训练与Web端展示等环节。压缩包共281个文件、约522.67MB，其中py源码对应模型训练与推理脚本，vue/js构成前端界面，jpg/png为农作物病害图像数据集，pdf/docx提供论文及查重版资料，txt、md等包含环境配置与使用说明，另有参考论文与技术路线图文档辅助理解系统架构。该项目曾获导师指导并认可，评审分98分，适合作为毕业设计、课程设计或期末大作业的完整参考。借助源码、论文资料及使用教程，可快速复现实验流程，并迁移到类似识别任务中。已有186人学习下载，对准备从事算法应用或Web端开发的初学者也有不错的参考价值。

1. 农作物病虫害识别项目源码：从看叶子到跑通一个完整工程

Python人工智能基于深度学习的农作物病虫害识别项目，是一套把“图像分类”技术落地到农业场景的完整工程包：源码负责把叶片照片训练成能区分多种病虫害的模型，论文资料负责把方法、实验和结果整理成课设或毕设文档，使用教程负责让你从零环境跑到第一个准确率。它不是“打开即用”的小工具，而是一条需要按数据准备、环境搭建、模型训练、评估导出完整走一遍的深度学习入门路径。适合正在做课设或毕设、想快速上手真实人工智能场景的人。下面按我实际带项目的顺序，把源码结构、环境搭建、训练调参、避坑排查和最终验证串起来讲。照着走，能少熬几个通宵。

2. 先看原理和选型：为什么病虫害识别做成图像分类而不是检测

拿到的源码表面上是一个“识别”项目，其实绝大多数实现路径都落在图像分类这个框架里：输入一张叶片照片，输出一个病害类别标签。之所以少有人直接做目标检测，是因为分类任务的数据标注成本低、模型容易收敛、论文实验也更好写。理解这个前提，你才知道训练脚本里为什么到处是CrossEntropyLoss、fc层和top-1 accuracy。

2.1 分类任务的基本管线：一张病叶图如何变成一组类别概率

病虫害识别的本质，是让模型从像素里找到病害在叶片上留下的纹理、颜色和形状特征。代码实现上，整个过程分成三段：预处理把任意尺寸的图片缩放到统一大小并转成张量；骨干网络逐层提取特征，从边缘、纹理到病斑区域；最后的分类头把特征压缩成和类别数相同的得分向量，再接 softmax 变成概率分布。训练时取概率最大的类别作为预测结果，并用交叉熵损失衡量预测分布和真实标签的差距。

下面是一段最常见的核心模型定义，几乎所有源码里都能看到类似写法：

import torch.nn as nn import torchvision.models as models class CropPestModel(nn.Module): def __init__(self, num_classes=20, backbone='resnet50'): super().__init__() # 载入在 ImageNet 上预训练过的 ResNet50 self.backbone = getattr(models, backbone)(pretrained=True) # 把最后一层全连接换成自己的分类头 in_features = self.backbone.fc.in_features self.backbone.fc = nn.Linear(in_features, num_classes) def forward(self, x): return self.backbone(x)

这里真正关键的动作有两个。pretrained=True会下载在 ImageNet 上训练好的权重，让模型一开始就具备识别通用纹理和形状的能力，不从这里开始的话，模型等于从随机参数起步，数据量少时几乎无法收敛。替换fc层是为了把输出维度从 ImageNet 的 1000 类变成你自己的num_classes，这个数字必须和数据集类别文件夹数量严格一致，否则训练时维度对不上会直接报错。

num_classes在源码里经常被写成 10、15、20 这种固定值，并不是所有项目都能直接帮你数好。换数据集时第一件事就是改这里，改完再同步检查类别映射列表的顺序，因为 PyTorch 的ImageFolder会自动按文件夹名排序生成标签，排错一个就全错位。

2.2 迁移学习和预训练权重：数据量越少越要“站在巨人的肩膀上”

病虫害公开数据集规模通常不大，常见课程设计场景下也就几千张图，自己拍照甚至只有几百张。在这种规模下从零训练一个深层卷积网络，几乎必然过拟合，验证集准确率上不去。所以这套源码的核心设计思路就是迁移学习：先让模型在 ImageNet 上学会各种通用图像特征，再拿到病虫害数据上微调。

微调策略一般分两步走。第一步冻结骨干网络所有参数，只训练新替换的分类头，用 1e-3 左右的学习率跑十几轮，让分类头先学会在通用特征上区分具体病害。第二步解冻部分高层卷积层，用更小的学习率整网微调。到底解冻多少层，是源码里最值得调的参数，常见做法是只解冻最后一个残差块，函数写出来长这样：

def freeze_backbone(model, freeze_until='layer3'): for name, param in model.named_parameters(): if name.startswith('backbone.'): # 从 'backbone.layer3.0.conv1.weight' 里提取层编号 layer_name = name.split('.')[1] # 例如 'layer3' layer_num = int(layer_name.replace('layer', '')) if layer_num <= int(freeze_until.replace('layer', '')): param.requires_grad = False

这段代码遍历所有参数，把 layer3 之前的卷积层全部设为不可训练，只让 layer4 和分类头参与更新。需要特别注意的坑是：这个函数必须在创建 optimizer 之前执行。PyTorch 的优化器在初始化时只收集requires_grad=True的参数，如果你先建了优化器再冻结，那些参数依然会被更新，很多人复现时梯度爆炸就是栽在这里。

预训练权重会不会让模型直接记住 ImageNet 里的类别？不会，因为预训练的最后一层已经被替换掉了，骨干网络只提供通用的特征提取能力，病害特征是在微调阶段重新学出来的。只要确保加载权重前fc层已经换成了你自己的分类头，就不会有维度冲突的问题。

2.3 源码目录与核心模块：train.py、utils.py、config.py 各管什么

拿到源码先别急着运行，花十分钟读一遍目录比什么都值钱。一个规范的病虫害识别项目，文件组织大致是这个样子：

crop_pest_project/ ├── data/ │ ├── train/ │ │ ├── apple_black_rot/ │ │ ├── apple_healthy/ │ │ └── ... │ ├── val/ │ └── test/ ├── src/ │ ├── train.py # 训练入口，负责数据加载、训练循环和保存权重 │ ├── predict.py # 单图推理脚本 │ ├── config.py # 集中管理路径、超参数和类别映射 │ └── utils.py # 数据增强、评估指标、日志记录 ├── weights/ # 训练好的模型权重 ├── requirements.txt └── README.md

train.py 是整个项目的核心，通常先解析命令行参数，再从 config.py 读默认配置，接着创建 DataLoader、模型、优化器和学习率调度器。config.py 是改参数的第一站，数据路径、图片尺寸、batch size、学习率、训练轮数基本都集中在这里，而不是散落在 train.py 的各个角落。

utils.py 里藏着最容易被忽略但影响最大的部分：transform 定义、早停逻辑、模型保存与加载、混淆矩阵统计。我见过不止一个项目，训练脚本看起来写得很完整，但 utils.py 里的类别顺序和 train.py 里不一致，导致训练时标签对不上，loss 一直高位横盘。所以换数据集时，一定要把 utils.py 里的类别列表和文件夹顺序整体对齐一遍。

提示：拿到项目的第一个动作是读 README，第二个动作是看 requirements.txt，然后再碰 train.py。绝大多数复现问题不是代码写错，而是环境或数据目录没有按 README 的预期摆放。

骨干网络的选择也在这个阶段定下来。ResNet50、EfficientNet、MobileNet 是源码里最常见的三个候选，差异可以用一张表概括：

我一般默认先跑 ResNet50，不是为了性能，而是因为它的训练曲线平稳、报错信息容易搜、论文里找对比实验也方便。等你把项目整体流程跑通，再换其他骨干网络才不慌。

3. 从零跑通源码：环境搭建、依赖安装与第一条训练命令

环境问题占掉了初学者一半以上的报错时间，而且报错信息五花八门：缺库、版本冲突、CUDA 不可用、torch 和 torchvision 版本不匹配。这一章按我日常带项目的方式，把环境搭建的关键步骤拆开讲，照着做可以少走很多弯路。

3.1 先建虚拟环境：Python 安装与 conda 指令

很多新手直接在系统 Python 里用 pip 装包，装完这个项目后，另一个项目的依赖就冲突了，最后只能重装系统。正确姿势是给这个项目单独建一个虚拟环境，我习惯用 Anaconda：

conda create -n pest python=3.8 conda activate pest python --version

第一行pest是环境名，随意取；python=3.8指定解释器版本。3.8 对大多数病虫害识别源码兼容性最好，如果你的源码明确要求 3.9 或 3.10，按它的要求来就行，不要贪新用 3.12。执行完conda activate pest之后，所有 pip 包都会装进这个隔离环境，后面出了乱子，直接conda remove -n pest --all重来，这是整个项目最好的后悔药。

在 Windows 上安装 Anaconda 后，建议从开始菜单里打开 “Anaconda Prompt”，不要直接在 CMD 里敲命令，因为 conda 可能不在 PATH 里。激活成功后，命令行前面会出现(pest)前缀，这表示你已经进入虚拟环境。如果没出现，说明激活失败，需要先执行conda init再重新打开终端。

3.2 requirements 与 CUDA 版本：先装对 PyTorch 再装其他

requirements.txt里列的多半是 torch、torchvision、numpy、pillow、scikit-learn、matplotlib、tqdm 这几类。最容易出问题的不是 numpy 或 pillow，而是 torch 和 torchvision 的版本匹配，以及它们和本机显卡驱动支持的 CUDA 版本是否对得上。如果直接pip install -r requirements.txt，pip 默认拉的是 PyTorch 官方最新的版本，大概率和你本机的 CUDA 环境不配套，训练时彻底用不上 GPU。

常见做法是分成两步。先看nvidia-smi确认显卡驱动支持的最高 CUDA 版本，再装对应版本的 PyTorch，最后才装其他依赖：

# 查看显卡驱动支持的 CUDA 版本 nvidia-smi # 以 CUDA 11.8 为例，安装对应版本的 torch pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 再安装项目剩余依赖 pip install -r requirements.txt

nvidia-smi里显示的 CUDA Version 是驱动支持的最高版本，你装的 PyTorch CUDA 版本只要不高于它就能正常运行，并不需要额外安装完整的 CUDA 工具包。如果你的机器没有 NVIDIA 显卡，就直接装 CPU 版：

pip install torch torchvision

代码完全不用改，只是训练速度慢几倍，课设规模的数据集也能等得起。装完后可以先跑一行python -c "import torch; print(torch.cuda.is_available())"，输出 True 说明 GPU 可用，输出 False 也先别慌，看看是不是装到了 CPU 版。

3.3 第一条训练命令：先做冒烟测试再正式开跑

环境就绪后，不要一上来就完整训练。我习惯先跑一次极小规模的“冒烟测试”，只跑两三个 epoch，确认数据加载、前向传播、反向传播、日志打印全都通顺，再中断掉重新正式训练。

python src/train.py \ --model resnet50 \ --pretrained \ --data ./data \ --epochs 3 \ --batch-size 8 \ --lr 0.001

--pretrained表示加载预训练权重，没有它模型从随机参数开始训练，需要几十倍数据量才能收敛，冒烟测试的意义在于验证链路而不是关注精度，所以一定带上。--epochs 3只跑三轮，正常情况下两三轮就能看到 loss 明显下降。--batch-size 8是照顾小显存显卡，正式训练时根据显存大小调到 16 或 32；如果显存足够也不用一上来就拉满，batch size 翻倍会显著改变收敛速度，最好先用默认值跑通。

如果输出里每个 epoch 结束后 loss 都在下降，哪怕从 1.8 降到 1.5，也说明整套链路通畅。这时中断训练，把--epochs改成 50 到 100，--batch-size调大，正式开跑。

注意：训练日志里如果出现 loss 一直停在 2.3 或 3.0 这种水平，准确率也不动，问题大概率不在环境，而在标签或数据，后文第五章会专门讲这个。

4. 换成自己的病虫害数据集：文件夹结构、数据增强与调参

源码自带的示例数据往往只是验证流程用的，真正做课设或参与比赛时，你几乎一定要换成自己的图片。这一步涉及数据组织、划分、增强和超参数调整，是整个项目里最花时间的部分，也是最容易出隐性错误的地方。

4.1 文件夹结构即标签：丢进 ImageFolder 前的准备工作

PyTorch 的torchvision.datasets.ImageFolder是最省事的数据加载方式，它不需要你写 csv 或 json 标注文件，直接把文件夹名字当作类别标签。前提是目录必须按规范摆放：

./data/train/apple_black_rot/001.jpg ./data/train/apple_healthy/001.jpg ./data/val/apple_black_rot/001.jpg ./data/val/apple_healthy/001.jpg

核心原则是训练集和验证集完全分开，验证集里绝对不能出现训练集用过的同一张照片。如果图省事把所有图片放在一个大文件夹里让源码自己划分，至少要用下面的方式做分层抽样，保证每个类在验证集里都有一定比例：

from sklearn.model_selection import train_test_split import glob images = glob.glob('./data/all/*/*.jpg') labels = [img.split('/')[-2] for img in images] train_files, val_files = train_test_split( images, test_size=0.2, stratify=labels, random_state=42 )

stratify=labels的意思是按类别比例抽样，防止某些罕见病类别在验证集里只剩一两张，那样验证准确率会抖动成心电图。random_state=42固定随机种子，保证每次划分结果一致，这样后来改代码、换参数时，还能和之前的实验结果公平对比。

图片格式方面，jpg、png 都行，但要注意有些源码会预先要求图片全部转成 RGB 三通道。如果数据集里混入灰度图或带透明通道的 png，加载时可能报通道数不匹配，最常见的处理方式是在读取时统一转成 RGB。

4.2 数据增强与切分：训练集、验证集、测试集设计

病虫害图片的实际拍摄场景往往光线不均、背景杂乱、叶片角度多变，模型如果只在干净背景上训练，实际应用时很容易翻车。数据增强是缓解这个问题最直接的手段，源码的 utils.py 里通常会定义好一套 transform：

from torchvision import transforms train_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.RandomAffine(degrees=10, translate=(0.05, 0.05)), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) val_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ])

几个参数值得解释清楚。Resize((224, 224))是绝大多数预训练模型的默认输入尺寸，改了之后要连模型一起改，否则预训练权重用不上。RandomAffine(degrees=10, translate=(0.05, 0.05))做小角度旋转和轻微平移，模拟拍摄时角度的自然偏差；ColorJitter调整亮度和对比度，对应不同光照条件。归一化的四个数分别是 ImageNet 数据集的均值和标准差，这是预训练模型的标准配方，不要随便改。

关键区别在验证集：只能做 resize 和归一化，绝不能加随机翻转或色彩变化，否则验证分数会虚高，因为你等于把验证集也“增强”出了变体，模型对同一张图的多个版本做预测，结果自然偏乐观。测试集同理，保持和验证集一样的 transform。

4.3 超参数怎么调：batch size、学习率、权重衰减

在数据组织好之后，影响训练结果最大的三个超参数分别是 batch size、学习率和权重衰减。batch size 主要受显存限制，太小梯度噪声大，loss 波动明显，收敛不稳定；太大容易显存溢出，也可能让模型收敛到尖锐极小值，泛化能力下降。常见做法是从 32 开始试，溢出就减半，减到 16 或 8，直到能稳定跑完一个 epoch 为止。如果机器显存够，也只是在这个区间里微调，不要追求过大的 batch。

学习率是微调阶段最重要的参数。预训练模型对学习率非常敏感，分类头新换的层可以给稍大的学习率，骨干网络里解冻的层必须用小学习率，否则预训练特征会被破坏。源码如果不支持分层设置，可以手动构造两组参数传给优化器：

optimizer = torch.optim.AdamW([ {'params': model.backbone.parameters(), 'lr': 1e-5}, {'params': model.backbone.fc.parameters(), 'lr': 1e-4}, ], weight_decay=1e-4)

weight_decay是权重衰减，相当于 L2 正则，能有效抑制过拟合，AdamW 默认 1e-4 到 5e-5 是常见区间。如果训练后期 loss 在最优解附近来回震荡不收敛，可以配合学习率调度器每 10 个 epoch 把学习率乘 0.1，让训练过程稳定下来。很多人忽略的一点是：学习率不是越大训练越快，预训练模型里它只决定你有多克制地更新特征，学会用小学习率，远比学会调大学习率重要。

4.4 评估与保存：准确率之外还要看混淆矩阵

训练结束后，只盯着最后的准确率是远远不够的。病虫害数据通常类别不均衡，健康叶片和常见病的样本数量远多于罕见病，模型只要把所有样本都预测成多数类，准确率也能达到百分之七八十。这种情况下你必须看每个类别自己的 precision、recall 和 F1，源码里一般会集成 sklearn 的工具函数：

from sklearn.metrics import classification_report print(classification_report(y_true, y_pred, target_names=class_names))

classification_report会逐类打印精确率和召回率，哪个病完全没学会一目了然。如果发现某个类的 recall 是 0，典型就是类别不平衡问题，第五章会讲对应的解决办法。

模型保存也值得注意，不要只存裸的 state dict。部署阶段你需要类别映射、输入尺寸、transform 配置，否则权重拿出去根本不知道该怎么用。建议保存成一个字典：

torch.save({ 'state_dict': model.state_dict(), 'class_names': class_names, 'input_size': 224, }, './weights/best_model.pth')

这种保存方式的另一个好处是，换了机器或换了项目，只要加载时把class_names拿出来和你当前数据集的类别顺序比对一下，就能立刻发现标签错位问题。

5. 避坑：病虫害识别项目最常见的 5 个翻车现场与排查方法

这一章专门说踩坑记录。每一条都是实际训练中反复出现过的，按“现象、原因、解决”的顺序写，你可以直接对照自己的情况排查。

5.1 loss 卡在高位不动，准确率像抛硬币

现象：训练多个 epoch，loss 一直停在 2.3 或 3.0 这种接近随机猜测的水平，准确率始终在 10% 到 30% 徘徊。

原因：最常见的是标签和输入没有对齐。torchvision.datasets.ImageFolder会按文件夹字典序生成标签索引，如果你的类别名字带大小写差异或前缀数字，排序结果会和你的预期不同。另一种常见原因是num_classes与实际类别数不一致，模型输出的概率分布长度错了，loss 再怎么优化也找不到正确方向。还有一种隐蔽情况：数据增强里对图像做了错误的归一化，像素值范围被压缩到接近零，网络提取不到有效特征。

解决：先打印一个 batch 的labels.unique()，确认类别数等于num_classes；再画一张增强后的图像看看，确认它没有变成全黑或全灰。这两步能排除掉八成以上的“loss 不动”问题。

5.2 显存溢出：CUDA out of memory

现象：训练刚开始就报RuntimeError: CUDA out of memory，或者跑了一两个 epoch 才突然爆掉。

原因：batch size 设置过大、输入图片分辨率过高、DataLoader 的num_workers开太多，或者同一张显卡上同时跑着其他进程。很多源码默认把输入尺寸设成 256 或 512，显存占用比 224 高出一倍不止。

解决：优先把 batch size 减半，直到能跑为止；把Resize从 256 改回 224；num_workers设成 2 或 4 就够了，不要盲目拉高。运行nvidia-smi查看显存占用，确认没有其他训练任务占着显存。如果 batch size 已经小到 8 还是溢出，检查图片是否意外包含了非常大的长宽比，考虑换成 MobileNet 这种轻量骨干。

5.3 小数据集严重过拟合：训练集升到 98%，验证集只有 70%

现象：训练集准确率稳步爬升到接近满分，验证集却卡在 70% 上下浮动，或者验证曲线像锯齿一样剧烈抖动。

原因：数据量太少，模型把训练集的背景、叶片角度、光照等无关特征一起记了下来。很多学生自己拍照，每个类只有三五十张图，网络参数量远大于样本量，过拟合几乎是必然的。

解决：加大数据增强强度，把RandomRotation的角度适当调大，或者引入 Mixup、CutMix 这类数据混合增强；把训练轮数降低一半，配合早停，在验证集不再提升时及时中断。另一个关键改进是切分时做分层抽样，保证每个类别在验证集里有足够样本，否则验证集曲线必然抖成心电图。

5.4 类别不平衡：少数类预测全为 0

现象：classification_report 里健康叶和常见病的 F1 值很高，某个罕见病的 precision 和 recall 全是 0，准确率看着还行，但那个病等于完全没学会。

原因：病虫害数据集天然不平衡，罕见病样本量只有常见病的十分之一甚至更少。网络为了最小化整体 loss，倾向于把所有样本都判成多数类，少数类被完全忽略。

解决：给损失函数加类别权重，权重按1 / 每类样本数归一化：

num_samples_per_class = [300, 120, 40, 10] total = sum(num_samples_per_class) class_weights = torch.tensor( [total / (len(num_samples_per_class) * n) for n in num_samples_per_class] ) criterion = nn.CrossEntropyLoss(weight=class_weights.to(device))

或者在 DataLoader 里使用WeightedRandomSampler，让每个 epoch 中少数类的采样次数提高。两种方法可以同时用，但先加 loss 权重即可，因为改动最小，不会影响数据加载逻辑。

5.5 论文资料和源码版本对不上：实验结果无法复现

现象：论文资料里写准确率 92%，你按源码跑出来只有 85%，反复调参也追不上，答辩时可能被质疑数据造假。

原因：作者写论文时用的数据划分、随机种子、训练轮数和源码默认值可能不一样，这才是“对不上”的真相。源码经过多次迭代后，README 里的描述往往滞后于实际代码，特别是训练轮数和数据划分方式，这两个参数对最终准确率影响巨大。

解决：训练前把所有关键配置记录下来：数据文件数、train/val 划分比例、随机种子、初始学习率、epoch 数，全部写进一个训练日志文件。先把项目自带样例数据跑通，确认和你拿到的示例结果一致，再换自己的数据。论文里如果出现训练曲线，和你跑出来的曲线形状对比一下，而不是只看最终数字。实在对不齐，就以自己实际跑出来的结果写论文，这个结果经得起复现，比硬凑论文数字安全得多。

6. 让模型真正能用：单图预测、PR 曲线与论文实验表

训练完成并不等于项目交付。我自己验收模型时，从来不对着训练日志鼓掌，而是找一个没参与训练的真实场景图片去测。这里分享一个我自己常用的单图推理脚本，以及把实验结果写进论文的补充思路。

6.1 自己写一个 predict 脚本：把模型从“能跑”变成“能用”

源码里的 predict.py 有时只是简单地打印类别名，远远不够用。建议自己写一段推理逻辑，同时输出前两个候选概率：

from PIL import Image import torch def predict_one(model, img_path, class_names, transform, device): img = Image.open(img_path).convert('RGB') tensor = transform(img).unsqueeze(0).to(device) model.eval() with torch.no_grad(): prob = torch.softmax(model(tensor), dim=1)[0] top2 = prob.topk(2) for idx, score in zip(top2.indices.tolist(), top2.values.tolist()): print(f"候选 {class_names[idx]}: {score:.4f}")

这段脚本里“top-2”不是敷衍，因为很多病虫害的早期症状在视觉上非常相似，比如番茄早疫病和晚疫病，农技人员肉眼判断也容易犹豫。如果模型给出的第一候选和第二候选概率接近，说明它捕捉到了真实特征；如果第一候选自信爆棚但实际是错的，那模型可能是在偷懒，学到了背景特征。

6.2 用 PR 曲线和混淆矩阵撑起论文实验表

论文实验部分只写一个“准确率 92%”是不够的，答辩时一句“你的模型是不是只对训练集有效”就能问住你。建议在实验表里补两张图：每类别的混淆矩阵和 PR 曲线。混淆矩阵能直观展示哪两个病容易被互相混淆，PR 曲线则能说明模型在不同置信度阈值下的表现。用 sklearn 就能生成，不需要额外依赖。

做这两个图时注意：要在测试集上生成，而不是验证集，并且测试集从训练开始就不要碰，等所有调参结束后再测一次。如果论文要求提供源码和数据说明，把数据划分时的随机种子、增强参数、backbone 和训练轮数写清楚，让读者能按同样的条件复现。

这是我自己带项目养成的习惯：每次训练前先把测试集放一边，测试集只出一次结果，写进论文，之后无论怎么调参都不再碰它。这样做出来的实验数据，比反复调整得到的“最好看数字”可信得多。希望帮到你。

本文还有配套的精品资源，点击获取