1. 数据准备与增强
2. 模型设计路线
卷积块 ：Conv2d → BatchNorm → ReLU → MaxPool 提取多尺度特征并逐步减小空间维度
分类头：将卷积输出展平成向量，接 1~2 层全连接 + Dropout，输出 10 维 logits。
正则化：BatchNorm 稳定分布、Dropout 降低 co-adaptation。
Batch Normalization 的作用
- 以 batch 为单位对每个通道做标准化，缓解"内部协变量偏移"；
- 学习
gamma与beta进行再缩放，允许网络恢复到任意分布； - 由于分布稳定，可使用更大学习率，加速收敛并起到轻微正则化效果
特征图尺寸推导
假设输入尺寸为 (32\times32)：
第 1 个卷积块：保持尺寸，池化后得到 32×16×16；
第 2 个卷积块：池化后得到 64×8×8；
第 3 个卷积块：池化后得到 128×4×4，展平即 2048 维向量。
这些中间输出就是"特征图"，可借助 Grad-CAM 等方法做可视化解释。
class CNN(nn.Module):
3. 损失函数、优化器与学习率调度
- 损失函数 ：
CrossEntropyLoss直接接收 logits 和标签。 - 优化器：Adam 适合快速验证，配合适度权重衰减稳定训练。
- 调度器 ：
ReduceLROnPlateau在验证指标停滞时自动降低学习率，比固定周期衰减更智能。
4. 训练与可视化流程
训练函数需要做几件事：
- 记录每个 batch 的损失，以观察局部波动情况；
- 每个 epoch 统计训练/测试损失与准确率，供调度器和图表使用；
- 训练结束后绘制迭代级别与 epoch 级别的曲线，帮助定位过拟合或欠拟合。
5. 启动训练
- 增加卷积层深度或使用更大的特征维度；
- 加入
CosineAnnealingLR、Mixup等更强的数据/调度策略； - 使用
AutoAugment、CutMix等进阶增强方式
