在上一节中，我们尝试使用全连接网络（MLP）处理 CIFAR-10 图像分类任务，但发现准确率难以突破瓶颈。这是因为 MLP 将图像的所有像素展平为一维向量，破坏了图像原本的空间结构信息（如局部纹理、形状边缘等）。今天我们正式引入卷积神经网络（CNN），它通过"卷积"和"池化"操作，专门用于提取图像的空间特征。
1. 为什么需要 CNN？
全连接网络（MLP）处理图像面临两个主要问题：
- 参数量爆炸：对于高分辨率图像，全连接层的权重数量巨大，难以训练且容易过拟合。
- 空间信息丢失：展平操作忽略了像素之间的邻域关系。
CNN 通过局部感知 （卷积核只看局部区域）和权值共享（同一个卷积核扫描整张图），在大幅减少参数量的同时，有效地提取了图像的平移不变性特征。
2. 数据增强 (Data Augmentation)
在训练深度学习模型时，数据量往往决定了模型的上限。数据增强通过对原始图像进行一系列随机变换，生成形态各异的新样本，从而在不增加实际采集成本的情况下扩展数据集，显著提升模型的泛化能力。
我们在训练集中使用了以下增强策略：
train_transform = transforms.Compose([
# 随机裁剪：在四周填充4像素后，随机裁剪出32x32
transforms.RandomCrop(32, padding=4),
# 随机水平翻转：模拟物体方向的变化
transforms.RandomHorizontalFlip(),
# 颜色抖动：随机调整亮度、对比度、饱和度、色相
transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),
# 随机旋转：最大旋转15度
transforms.RandomRotation(15),
transforms.ToTensor(),
# 标准化：使用 CIFAR-10 数据集的均值和标准差
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])注意：测试集通常只进行标准化处理，不进行随机变换，以确保评估结果的稳定性。
3. CNN 模型架构设计
我们构建了一个经典的 CNN 结构，包含三个卷积块和一个分类器。
3.1 核心组件解析
- 卷积层 (Conv2d)：特征提取器。通过滑动窗口（卷积核）提取边缘、纹理等特征。
- 批量归一化 (BatchNorm2d)：加速收敛。对每一批数据的特征图进行归一化（均值0，方差1），解决"内部协变量偏移"问题，使得模型可以使用更大的学习率，并具有一定的正则化效果。
- 激活函数 (ReLU)：引入非线性，增加模型的表达能力。
- 最大池化 (MaxPool2d)：下采样。保留局部区域的最强特征，减小特征图尺寸，降低计算量。
3.2 模型代码实现
class CNN(nn.Module):
def __init__(self):
super(CNN, self).__init__()
# 卷积块 1：输入 3 通道 -> 输出 32 通道
self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)
self.bn1 = nn.BatchNorm2d(32)
self.relu1 = nn.ReLU()
self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) # 尺寸减半: 32 -> 16
# 卷积块 2：输入 32 通道 -> 输出 64 通道
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
self.bn2 = nn.BatchNorm2d(64)
self.relu2 = nn.ReLU()
self.pool2 = nn.MaxPool2d(kernel_size=2) # 尺寸减半: 16 -> 8
# 卷积块 3：输入 64 通道 -> 输出 128 通道
self.conv3 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
self.bn3 = nn.BatchNorm2d(128)
self.relu3 = nn.ReLU()
self.pool3 = nn.MaxPool2d(kernel_size=2) # 尺寸减半: 8 -> 4
# 全连接分类器
# 展平维度计算：128通道 * 4(高) * 4(宽) = 2048
self.fc1 = nn.Linear(128 * 4 * 4, 512)
self.dropout = nn.Dropout(0.5)
self.fc2 = nn.Linear(512, 10) # 输出 10 个类别
def forward(self, x):
# x: [batch, 3, 32, 32]
x = self.pool1(self.relu1(self.bn1(self.conv1(x)))) # -> [batch, 32, 16, 16]
x = self.pool2(self.relu2(self.bn2(self.conv2(x)))) # -> [batch, 64, 8, 8]
x = self.pool3(self.relu3(self.bn3(self.conv3(x)))) # -> [batch, 128, 4, 4]
# 展平
x = x.view(-1, 128 * 4 * 4) # -> [batch, 2048]
x = self.dropout(self.relu3(self.fc1(x)))
x = self.fc2(x)
return x3.3 维度变换推导
输入图片尺寸为 32 \\times 32：
- Block 1: Conv(padding=1) \\rightarrow 32 \\times 32; Pool(2x2) \\rightarrow 16 \\times 16.
- Block 2: Conv(padding=1) \\rightarrow 16 \\times 16; Pool(2x2) \\rightarrow 8 \\times 8.
- Block 3: Conv(padding=1) \\rightarrow 8 \\times 8; Pool(2x2) \\rightarrow 4 \\times 4.
最终特征图大小为 128 \\times 4 \\times 4。
4. 学习率调度器 (Learning Rate Scheduler)
为了进一步提升模型性能，我们引入了学习率调度器。在训练初期，较大的学习率有助于快速下降；在训练后期，较小的学习率有助于模型在极小值附近精细收敛。
我们使用的是 ReduceLROnPlateau，它是一种"监控型"调度器：
-
机制 ：当监控的指标（如验证集 Loss）在
patience个 epoch 内不再下降时，自动将学习率乘以factor进行衰减。 -
适用场景：几乎适用于所有监督学习任务，特别是在不知道具体何时衰减 LR 最优时。
scheduler = optim.lr_scheduler.ReduceLROnPlateau(
optimizer,
mode='min', # 监控指标是越小越好（Loss）
patience=3, # 容忍 3 个 epoch 不提升
factor=0.5 # 衰减系数
)在训练循环中更新
scheduler.step(epoch_test_loss)
5. 训练效果对比
相较于 MLP，CNN 在 CIFAR-10 上的表现有质的飞跃：
- MLP：通常只能达到 50%-55% 的准确率。
- 简单 CNN：在本实验中，配合数据增强和 BatchNorm，准确率可以轻松达到 80% 以上。
这一结果证明了 CNN 在提取图像特征方面的强大能力。卷积层作为特征提取器，能够从底层的边缘、颜色，逐层抽象到高层的形状、物体部件，这是全连接网络无法做到的。
6. 总结
- 数据增强是提升图像分类模型泛化能力的必备手段。
- BatchNorm 是现代 CNN 的标配，能显著加速收敛并稳定训练。
- CNN 结构（卷积+池化）通过保留空间结构和参数共享，高效地处理了图像数据。
- 学习率调度器 帮助模型在训练后期打破瓶颈，进一步提升精度。