简介：这份资源是一套基于PyTorch搭建猫狗公鸡三分类卷积神经网络的完整项目包，适合已了解深度学习基础、希望上手PyTorch实战的初学者。内容覆盖数据预处理、模型结构设计、损失函数与优化器选择、训练验证、模型保存加载以及可视化等关键环节，可帮助读者系统掌握图像分类任务的完整流程。资源共1390个文件，以1362张jpg训练图像为主，另有11个Python脚本、模型权重和onnx导出文件、XML标注及说明文档等，压缩包整体约554.92MB。Python脚本对应各个实现步骤，图片数据可直接用于训练，方便对照代码理解CNN的特征提取与分类逻辑。目前已有1379人学习下载，适合用于课程设计、入门练习或作为后续迁移学习的基础模板。通过动手实践该项目，读者能熟悉DataLoader使用、nn.Module自定义网络、CrossEntropyLoss训练流程等核心操作，并获得可直接运行的模型文件与可视化分析思路，为更复杂的深度学习项目打下扎实基础。
1. 用 PyTorch 从零搭一个猫狗公鸡图片分类网络：先把资源里有什么说清楚
这个项目标题看起来像教程，但实际下载下来是一个可以直接跑通的 PyTorch 图片分类网络工程。资源里没有给你完整数据集，而是带了几张典型的测试图片，比如104_dog.jpg、355_cock.jpg、test1.jpeg，对应猫、狗、公鸡三个类别。也就是说，这份资源适合两类人：一是刚学完 PyTorch 基础、想拿一个真实能训练的 CNN 工程练手的初学者，二是想在已有模型上快速做推理验证、不想从零写数据管线的从业者。它能解决的核心问题是：从 1200 张训练图片出发，怎么走完数据预处理、模型搭建、训练验证、保存加载、单张图片预测这条完整链路，而不是停留在 mnist 那种玩具例子上。下面我按实际拆这个工程的顺序，把每一步的参数和踩坑点都铺开讲。
2. 数据预处理：从 1200 张原始图片到 DataLoader 的完整链路
2.1 图像数据进入 CNN 前的标准形态：从 HWC 到 NCHW
PyTorch 处理图像和 OpenCV 有一个典型差异，OpenCV 读出来是 HWC 排列，也就是高、宽、通道，通道在最后，而且默认是 BGR 顺序；而 PyTorch 的 Conv2d 接收的输入是 NCHW，即 batch、通道、高、宽，通道在第二位。这个差异是初学者第一个翻车点。
项目中 1200 张训练图片是散落在文件夹里的，文件名没有严格的类别前缀，所以工程里通常靠子目录划分类别，这也是 ImageFolder 能直接用的前提。整理后的目录结构应该是：
data/ ├── train/ │ ├── cat/ │ ├── dog/ │ └── cock/ └── val/ ├── cat/ ├── dog/ └── cock/如果你的图片不是按这个结构组织的，就需要先把文件名映射到类别，常见做法是维护一个 CSV 映射表，或者直接按文件名前缀批量移动到对应目录。我在处理这份资源时，是把104_dog.jpg这类带_dog后缀的文件名自动归类的：
import os import shutil src_dir = "raw_images" train_dir = "data/train" val_dir = "data/val" os.makedirs(train_dir, exist_ok=True) os.makedirs(val_dir, exist_ok=True) categories = ["cat", "dog", "cock"] for f in os.listdir(src_dir): if not f.endswith(".jpg"): continue for c in categories: if f"_{c}." in f: dest = os.path.join(train_dir, c, f) shutil.copy(os.path.join(src_dir, f), dest) break这段代码的意图是把所有带_dog、_cat、_cock后缀的文件按类别复制到训练目录。注意这里用的是copy而不是move，备份原始文件，防止后续误删。实际项目中你应该按 8:2 或 9:1 划分训练集和验证集，我建议在复制时用随机数决定去向，而不是手动挑文件。
2.2 预处理管线参数：Resize、Normalize 和数据增强的选型
图片进入模型之前，必须统一尺寸、统一数值范围、统一通道顺序。这个小工程里，输入分辨率一般设为 224×224，这是 ImageNet 预训练模型的标准输入，如果你后续要换 ResNet 或 VGG 做迁移学习，224 可以直接对齐。
预处理管线我用torchvision.transforms组织，下面是实际可用的配置：
from torchvision import transforms train_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomRotation(15), 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]) ])Resize((224, 224))直接把图硬拉到正方形，简单粗暴但对小数据集够用；RandomHorizontalFlip以 0.5 概率水平翻转，对猫狗公鸡这类分类任务几乎没有副作用，因为左右翻转不会改变类别语义；RandomRotation(15)旋转 15 度以内，增强模型对轻微姿态变化的鲁棒性。验证集不做增强，只做 Resize 和 Normalize，保证评估时输入是确定性的。
Normalize 的 mean 和 std 用的是 ImageNet 统计值，这是最常见的做法。如果你用的是自己训练的模型而不是预训练权重，更严谨的做法是先统计你数据集的均值和方差再填入，但工程上直接沿用这三个数也能收敛，只是初始 loss 会偏高一点。参数含义是：(x - mean) / std，让每个通道的像素值大致落在 -1 到 1 之间，这对梯度稳定性有帮助。
2.3 Dataset 与 DataLoader：1200 张图怎么喂给训练循环
数据预处理管线定义好后，需要包装成 Dataset 并用 DataLoader 加载。这份资源没有提供完整 Dataset 类，但工程里最常见的做法是用torchvision.datasets.ImageFolder，它要求目录结构严格按类别分文件夹：
from torchvision import datasets from torch.utils.data import DataLoader batch_size = 32 num_workers = 4 train_dataset = datasets.ImageFolder(root="data/train", transform=train_transform) val_dataset = datasets.ImageFolder(root="data/val", transform=val_transform) train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=num_workers) val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False, num_workers=num_workers) print(f"训练集类别映射: {train_dataset.class_to_idx}") print(f"训练集样本数: {len(train_dataset)}")batch_size=32是 CPU 和低端 GPU 都能接受的折中值，显存紧张就降到 16 或 8。shuffle=True只在训练集开，验证集不开，保证验证时每个 batch 的顺序固定，方便对比不同 epoch 的表现。num_workers=4用多进程加载图片，能显著缓解 CPU 预处理和 GPU 训练速度不匹配的问题，但如果你的机器内存紧张，降到 2 更稳妥。
class_to_idx输出类似{'cat': 0, 'cock': 1, 'dog': 2}，这个映射在推理阶段必须记住，因为模型输出的是索引而不是字符串类别名。很多人在加载模型做预测时发现输出数字对不上实际类别，就是没有保存这个映射关系。
3. 模型搭建与训练：Conv2d 堆叠、损失函数和优化器的配合
3.1 nn.Module 子类化：定义一份能跑起来的 CNN 架构
资源正文明确提出用nn.Module定义自定义网络结构。对于猫狗公鸡三分类任务，不需要特别深的网络，我自己惯用的结构是三层卷积加两层全连接，参数量适中，在 CPU 上也能在可接受时间内完成训练：
import torch.nn as nn class CatDogCockCNN(nn.Module): def __init__(self, num_classes=3): super(CatDogCockCNN, self).__init__() self.features = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), ) self.classifier = nn.Sequential( nn.Flatten(), nn.Linear(128 * 28 * 28, 256), nn.ReLU(inplace=True), nn.Dropout(p=0.5), nn.Linear(256, num_classes) ) def forward(self, x): x = self.features(x) x = self.classifier(x) return x输入是 224×224 的 RGB 图，通过Conv2d(3, 32, kernel_size=3, padding=1)后尺寸不变，通道从 3 扩到 32；MaxPool2d(kernel_size=2, stride=2)把长宽各缩一半，从 224 变 112，再经过两次同样的卷积池化组合变成 28×28、128 个通道。self.classifier里的nn.Flatten()把 128×28×28 展平成向量，这是进入全连接层前必做的一步，很多人漏掉这一步会直接报维度错误。Dropout(p=0.5)在全连接层之前随机丢弃一半神经元，是防止过拟合的重要开关。
3.2 CrossEntropyLoss 与 Adam：多分类任务的标准组合
损失函数和优化器的选择直接影响训练曲线走向。三分类任务用nn.CrossEntropyLoss()是标准答案，它内部把 LogSoftmax 和 NLLLoss 合并了，所以网络最后一层不需要手动加 Softmax：
import torch.optim as optim device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = CatDogCockCNN(num_classes=3).to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001, weight_decay=1e-4)CrossEntropyLoss有两个值得注意的点。第一，它期望的输入是原始 logits，不是概率值，所以在模型定义里最后一层Linear后面不加Softmax；第二，如果类别不平衡，你可以在初始化时传weight参数，给样本少的类别更高的惩罚权重。这个工程里猫狗公鸡三类图片数量大致均衡，不传也行。
优化器我选 Adam 而不是 SGD，理由是小数据集上 Adam 对学习率不敏感，默认lr=0.001基本能跑出可接受的结果，省去手工调学习率的精力。weight_decay=1e-4是 L2 正则化，通过对大权重加惩罚抑制过拟合，它的值不是越大越好，超过 1e-2 可能会导致欠拟合。如果你想用 SGD 替代，常见的配置是optim.SGD(model.parameters(), lr=0.01, momentum=0.9, weight_decay=1e-4)，但要把学习率调小到 0.001 左右才能和 Adam 的收敛速度相当。
3.3 训练循环：三个关键细节决定 loss 能不能降下去
训练循环是整份资源的核心，也是最容易出现隐性 bug 的地方。下面是完整可运行的训练脚本骨架：
from tqdm import tqdm num_epochs = 20 best_val_acc = 0.0 for epoch in range(num_epochs): model.train() running_loss = 0.0 correct = 0 total = 0 for inputs, labels in tqdm(train_loader, desc=f"Epoch {epoch+1}/{num_epochs}"): 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) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() train_acc = correct / total train_loss = running_loss / total model.eval() val_correct = 0 val_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) _, predicted = torch.max(outputs, 1) val_total += labels.size(0) val_correct += (predicted == labels).sum().item() val_acc = val_correct / val_total print(f"Epoch {epoch+1}: Train Acc {train_acc:.4f}, Val Acc {val_acc:.4f}") if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), "best_model.pth")三个关键细节分别说。
第一，optimizer.zero_grad()必须在每次前向传播之前调用，否则梯度会累加，导致 loss 震荡。初学者最常犯的错误是把zero_grad()放在loss.backward()之后，那相当于每一轮都在用上一次的梯度叠加更新。
第二，model.train()和model.eval()必须成对出现。Dropout在训练时随机丢弃神经元，在验证时应该关闭；BatchNorm在训练时用当前 batch 的统计量，在验证时用全局统计量。忘记切换模式，验证集准确率会忽高忽低，这种问题特别隐蔽。注意这个网络用的是 ReLU 而没加 BatchNorm，但保留train/eval切换仍然是好习惯。
第三，计算准确率用torch.max(outputs, 1)拿到每个样本预测的类别索引，然后和labels逐元素比较。torch.max返回两个值，第一个是最大值本身，第二个是最大值对应的索引，取索引才是分类结果。如果你只取第一项，准确率会永远是 0。
4. 常见问题与踩坑排查：图像分类训练中高频翻车的四个点
4.1 图片数量不一致导致 batch 加载失败
现象：训练刚开始或中途报错RuntimeError: stack expects each tensor to be equal size，有的 DataLoader 直接卡住不迭代。
原因：数据集中存在尺寸异常或损坏的图片，比如某张图是灰度图只有单通道，有的图是 RGBA 四通道，Resize 之后 tensor 形状不一致，Dataloader 无法把它们 stack 成一个 batch。
解决：在预处理管线里强制转换通道，给 Dataset 加载前加一道检查。常见做法是自己写一个过滤函数，把非 RGB 图片剔除或转换：
from PIL import Image def verify_image(path): try: img = Image.open(path) img = img.convert("RGB") img.load() return True except Exception: return False valid_paths = [p for p in all_paths if verify_image(p)]这段代码的作用是逐张验证图片能否被 Pillow 正常打开并转换为 RGB。img.convert("RGB")会把灰度图和 RGBA 图统一转为三通道，避免通道数不一致的报错。img.load()强制加载像素数据，这一步能识别出那些文件头正常但数据损坏的半截图片。我的习惯是在首次跑训练前先全量扫一遍数据，把坏图单独移到corrupted/目录，而不是直接在原目录删除，方便溯源。
4.2 维度错误：Channel 位置不对导致 Conv2d 输入崩溃
现象：模型前向传播时报RuntimeError: Expected 4-dimensional input for 4-dimensional weight [32, 3, 3, 3], but got 3-dimensional input之类的错误。
原因：transforms.ToTensor()会把 PIL Image 从 HWC 转成 CHW，如果你的图片是通过 cv2.imread 读取的 numpy 数组，它保持 HWC 且是 BGR 顺序，直接喂给模型就会维度错乱。更隐蔽的情况是有些 Dataset 类返回的图片是灰度图，只有 2 维，没有通道维。
解决：统一在 transforms 里做转换，不要让数据以 numpy 形式绕过管线。如果确实需要手动处理，用torch.from_numpy(img).permute(2, 0, 1)把 HWC 转为 CHW，再用.float()归一化。从项目正文看，图片都是 jpg 彩色图，用 ImageFolder 搭配 ToTensor 不会出现这个问题，但如果你自己写 Dataset 类就要格外注意。
4.3 Adam 和 SGD 选择不当导致 loss 不下降
现象：loss 在初始值附近震荡，或者经过 10 个 epoch 后准确率始终在 40% 左右，和随机猜测差不多。
原因：学习率设置不合理。Adam 虽然对学习率不敏感，但lr=0.01仍然偏大，会导致 loss 剧烈震荡；SGD 如果不用 momentum，收敛极慢，在小数据集上很容易看起来像没在训练。
解决：先用 Adam 配lr=0.001跑 10 个 epoch 观察趋势，如果 loss 平稳下降就不动；如果下降过慢，可以尝试lr=0.005；如果 loss 上升或震荡，降到0.0001。我自己的排查顺序是：先确认 loss 有没有下降趋势，再看验证集准确率有没有跟随训练集上升。如果训练集准确率很高但验证集低，那问题不在优化器，而是过拟合，要加数据增强或 Dropout。
4.4 训练准确率接近 100%、验证集准确率大幅掉点
现象：训练集准确率 98%，验证集只有 60% 左右，而且每个 epoch 的验证集准确率波动很大。
原因：模型把训练集的细节特征记住了，没有学到泛化的分类模式。1200 张训练图属于中小规模数据集，三层卷积网络参数足够多，完全可以把训练集背下来。
解决：从三个方向同时入手。第一，增加数据增强强度，比如把RandomRotation从 15 度提高到 20 度，加上RandomResizedCrop随机裁剪一部分再 Resize，迫使模型学习到更鲁棒的特征；第二，提高Dropout比例到 0.6 或 0.7；第三，引入torchvision.models.resnet18做迁移学习，用 ImageNet 预训练权重而不是从头训练。迁移学习的做法是替换最后一层全连接：
import torchvision.models as models model = models.resnet18(pretrained=True) model.fc = nn.Linear(model.fc.in_features, 3)注意pretrained=True会下载权重，如果网络不稳定要提前准备好。model.fc.in_features自动读取原全连接层的输入维度，ResNet18 是 512，替换成输出 3 的全连接层即可。如果数据集更小，建议把前面的卷积层冻结，只训练全连接层，降低过拟合风险。
5. 模型保存、加载与推理：从 .pth 到 CPU 上的单张图片预测
5.1 保存 checkpoint 的两种方式和推荐做法
训练完成后模型的参数需要持久化。PyTorch 有两种常见保存方式，区别很重要。
第一种是保存整个模型对象：
torch.save(model, "model_full.pth")第二种是只保存状态字典：
torch.save(model.state_dict(), "model_state.pth")我强烈推荐第二种。torch.save(model)会把模型类定义一并序列化，加载时必须保证类定义在可导入的模块里，换个环境或改个类名就报错。state_dict只保存参数张量，加载时先实例化模型结构再填参数，灵活得多。如果你还想要训练过程中的附加信息，可以打包成一个字典：
torch.save({ "model_state_dict": model.state_dict(), "optimizer_state_dict": optimizer.state_dict(), "epoch": epoch + 1, "best_val_acc": best_val_acc, "class_to_idx": train_dataset.class_to_idx }, "checkpoint.pth")这份 checkpooint 里同时存了优化器状态和类别映射，续训练和推理都不需要再找原始数据。注意torchvision新版可能不再直接提供pretrained=True参数，改用weights="DEFAULT"，如果你本机装的是 0.13 以上版本，迁移学习那行要改成models.resnet18(weights=models.ResNet18_Weights.DEFAULT)，否则会告警。
5.2 加载模型并在单张图片上做推理
资源附带的test1.jpeg和104_dog.jpg等文件就是拿来验证推理流程的。加载模型做预测的完整脚本如下：
import torch from PIL import Image from torchvision import transforms device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = CatDogCockCNN(num_classes=3) model.load_state_dict(torch.load("best_model.pth", map_location=device)) model.to(device) model.eval() infer_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]) ]) image_path = "test1.jpeg" image = Image.open(image_path).convert("RGB") input_tensor = infer_transform(image).unsqueeze(0).to(device) with torch.no_grad(): output = model(input_tensor) _, predicted_idx = torch.max(output, 1) class_names = ["cat", "cock", "dog"] print(f"预测结果: {class_names[predicted_idx.item()]}")推理阶段有几个细节容易踩。map_location=device解决的是训练时用 GPU、推理时用 CPU 的权重映射问题，不加这个参数，在纯 CPU 机器上加载 GPU 训练的权重会报错或卡住。unsqueeze(0)给单张图片补一个 batch 维度，因为模型期望的输入是四维 NCHW。torch.no_grad()在推理阶段强制不计算梯度，能减少内存占用，提升速度。model.eval()必须调用，否则 Dropout 仍然生效，同一张图每次预测的置信度都不一样，这是推理结果不稳定的隐藏原因。
5.3 TensorBoard 可视化与混淆矩阵：验证模型是否真的学会了
训练曲线只能看到整体趋势，想知道模型具体把哪些类混淆了，需要画混淆矩阵。这个工程是猫狗公鸡三分类，混淆矩阵是 3×3 的表格，行是真实类别，列是预测类别，对角线越亮说明分类越准。
我通常直接在验证集上跑一轮，收集预测结果和真实标签：
from sklearn.metrics import confusion_matrix import numpy as np all_preds = [] all_labels = [] model.eval() with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) _, preds = torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) cm = confusion_matrix(all_labels, all_preds) print(cm)如果cm[0][1]的值明显偏高，说明模型经常把猫误判成狗。有一种有效补救：收集分类错误的样本路径，单独建一个 hard examples 目录，在下一轮训练时对这些样本做额外的数据增强或过采样。这个方法比随机增强更有针对性，在小数据集上效果很直接。
TensorBoard 的接入也不复杂，PyTorch 提供了torch.utils.tensorboard.SummaryWriter，只需要在训练循环里定期写入 loss 和准确率。我自己的习惯是每个 epoch 结束时把训练集 loss、验证集准确率、学习率三个标量写进去，训练结束后看曲线就能判断该不该提前终止。
以前我总跳过可视化这一步，认为有训练日志就够了。直到有一次模型验证集准确率看起来不错，但混淆矩阵显示公鸡几乎全被认成狗，才知道日志上的数字会骗人。从那以后我每次训练完，都强制走一遍混淆矩阵加曲线回放，确认每一类都没有塌方才敢把模型拿去用。希望这篇拆解能帮你在做自己的猫狗公鸡分类时，少走几个我走过的弯路。
本文还有配套的精品资源，点击获取
