考研复试·食物图像分类项目全提问&标准答案
所有问题100%来自你的简历内容，无超纲提问，完全匹配15分钟复试的导师提问逻辑，按提问概率从高到低排序，答案均为复试口语化、可直接背诵的版本，严格贴合你的项目场景。
一、项目整体认知类（开场必问，提问概率100%）
问题1：请你简单介绍一下你的这个食物图像分类项目？
回答：我做的是基于food-11数据集的11类食物图像分类系统，核心解决小样本场景下分类精度低、泛化能力弱的问题。我先自主搭建了自定义CNN网络做基础实验验证，最终采用VGG预训练模型做迁移学习微调，同时通过伪标签半监督学习方案扩充训练集，搭配数据增广、AdamW优化器等策略优化模型，最终完成了稳定的11类食物图像分类任务。
问题2：你做这个项目的背景和目的是什么？核心解决了什么问题？
回答 ：背景是食物图像分类在健康饮食、餐饮识别等场景有很高的实用价值，但小样本食物数据集存在标注成本高、模型从头训练易过拟合、泛化能力差的痛点。我的项目核心目的就是用迁移学习和半监督学习，解决小样本下食物分类精度低、模型泛化能力弱的问题，同时完整掌握图像分类的全流程开发。
问题3：这个项目的核心难点是什么？你是怎么针对性解决的？
回答：核心难点有两个，一是food-11属于小样本数据集，有标签样本少，模型从头训练特征提取能力不足，容易过拟合；二是小样本下模型泛化能力弱，测试集表现差。
针对这两个问题，我用了三个核心方案：第一，用数据增广扩充数据多样性，缓解过拟合；第二，用VGG预训练模型做迁移学习，复用预训练的图像特征提取能力，避免小样本从头训练的缺陷；第三，用伪标签半监督学习，筛选高置信度无标签样本扩充训练集，进一步提升模型精度和泛化能力。
二、数据集与数据预处理类（简历明确提及，高频必问）
问题4：请你介绍一下food-11数据集，它的特点是什么？
回答 ：food-11是开源的食物图像数据集，包含11个常见食物类别，比如面包、牛奶、肉类、蔬菜水果等；它的核心特点是样本总量少，属于典型的小样本图像分类数据集，不同类别间的样本分布略有不均衡，这也是我需要用迁移学习和半监督学习优化的核心原因。
- 有的类别图片特别多（比如米饭、面包，几千张）
- 有的类别图片特别少（比如某种菜、水果，只有几百张）
数量差很多，分布不均匀，就叫样本不均衡。
为什么迁移学习 + 半监督学习能解决这个问题？
-
迁移学习（VGG 预训练） 预训练模型在海量图片上学过通用特征（边缘、纹理、形状）。就算某一类食物图片很少，模型也能靠通用特征去识别，不会因为样本少就完全学不会。
-
半监督学习（伪标签） 对那些图片少的类别，我用无标签数据生成高置信度伪标签 ，相当于人工给它补充样本，让少的类别变多一点，分布更均衡，模型就能学得更公平。
问题5：你为什么要自定义Dataset类？它的核心作用是什么？
回答 ：Dataset是PyTorch中处理数据的核心类，核心作用有三个：一是统一完成图像数据的读取、标签匹配；二是实现训练集、验证集的划分，以及图像的标准化、预处理操作；三是规范数据输出格式，适配PyTorch的DataLoader批量加载流程，让模型训练可以高效读取数据。
问题6：你在数据预处理中做了哪些操作？为什么要做图像标准化？
回答：预处理主要做了四个操作：一是图像尺寸统一缩放，适配VGG网络的输入要求；二是图像像素值归一化，把0-255的像素值缩放到0-1之间；三是图像标准化，用ImageNet数据集的均值和方差做归一化；四是训练集的数据增广操作。
做图像标准化，一是可以让不同维度的输入数据分布一致，加速模型训练收敛；
问题7：你用了哪些数据增广策略？为什么这些策略能缓解过拟合？
回答：我用的增广策略主要有随机水平翻转、随机裁剪、小角度随机旋转、亮度对比度随机调整，还有轻微的高斯模糊。
这些策略能缓解过拟合的核心原因是：对训练图像做变换，扩充了训练数据的多样性，让模型不会死记硬背训练集里的固定细节、噪声，而是学习到食物本身的通用核心特征，比如形状、纹理等，从而提升模型在未知测试集上的泛化能力，减少过拟合。
问题8：你的数据集是怎么划分的？划分的依据是什么？
回答：我按照7:2:1的比例，把数据集划分为训练集、验证集和测试集，同时保证了每个类别在三个集合里的分布比例一致，也就是分层划分。
划分依据是：训练集用来训练模型更新参数，验证集用来实时监控模型泛化能力、调超参和早停，测试集用来最终评估模型的真实效果；分层划分是为了避免类别分布不均导致的模型训练偏差，保证评估结果的可靠性。
三、CNN与网络结构类（简历核心技术栈，必问）
问题9：什么是卷积神经网络CNN？为什么它适合做图像分类任务？
回答：CNN是一种专门针对网格结构数据（比如图像）设计的深度学习网络，核心是通过卷积层自动提取数据的特征。
它适合图像分类的核心原因有三个：一是权值共享，同一个卷积核在整张图像上滑动提取特征，大幅减少了模型参数量，避免过拟合；二是局部感受野，卷积层只关注图像的局部区域，符合人眼识别图像的逻辑，能高效提取边缘、纹理、物体轮廓等层级化特征；三是池化层可以对特征做降维，保留核心特征的同时进一步减少计算量，提升模型鲁棒性。
问题10：你的自定义CNN网络是怎么设计的？包含哪些核心层？
回答：我的自定义CNN是一个轻量化的分类网络，整体是串行结构，核心分为特征提取和分类两个部分。特征提取部分由3组重复的模块组成，每组模块包含卷积层、BN批量归一化层、ReLU激活函数和最大池化层；分类部分包含两层全连接层，中间加入Dropout层防止过拟合，最终输出11个类别的预测概率。
问题11：卷积层、池化层的作用分别是什么？
回答 ：卷积层的核心作用是提取图像特征，通过卷积核在图像上滑动计算，提取出图像的边缘、纹理、形状等不同层级的特征，是CNN的核心。
池化层的核心作用是特征降维与压缩，通过对卷积输出的特征图做下采样，保留核心特征的同时，减少特征图的尺寸和模型参数量，降低计算开销，同时还能扩大感受野，提升模型的抗干扰能力。
问题12：你在网络中加入了BN层，BN的全称是什么？它的核心作用是什么？
回答：BN全称是批量归一化（Batch Normalization）。它的核心作用有四个：一是把每一批次的特征数据归一化到均值为0、方差为1的分布，缓解内部协变量偏移问题，大幅加速模型训练收敛；二是降低模型对初始化权重的敏感度，调参更简单；三是能在一定程度上缓解梯度消失，让深层网络更容易训练；四是有轻微的正则化效果，能辅助缓解过拟合。
问题13：你为什么选择VGG预训练模型，而不是ResNet、GoogLeNet等其他模型？
回答：主要有三个原因：第一，VGG的网络结构非常简洁规整，都是3×3的卷积核堆叠，逻辑清晰，容易理解和微调，非常适合入门级的迁移学习项目；第二，VGG在ImageNet上训练得到的特征提取能力非常扎实，对于食物这种低复杂度的图像分类任务，完全能满足特征提取的需求；第三，VGG的参数量和计算量适中，在我的实验环境下训练效率高，同时也能和我自定义的轻量化CNN做清晰的效果对比。
问题14：VGG网络的核心特点是什么？
回答：VGG的核心特点有三个：一是全程使用3×3的小卷积核堆叠，替代大尺寸卷积核，在保证相同感受野的同时，减少了参数量，增加了网络的非线性，提升了特征提取能力；二是网络结构非常规整，按照卷积层+池化层的模块重复堆叠，结构清晰，可扩展性强；三是采用了5段卷积+池化的结构，能逐层提取图像从低级到高级的层级化特征，泛化能力强，非常适合做迁移学习的预训练骨架。
四、迁移学习核心类（简历核心关键词，必问）
问题15：什么是迁移学习？你为什么要在这个项目中用迁移学习？
回答：迁移学习是把在源域大数据集上训练好的模型学到的知识、特征提取能力，迁移到目标域的小样本任务上，不用从头训练模型。
我在项目中用迁移学习，核心原因是我的food-11是小样本数据集，有标签样本少，如果从头训练CNN模型，很难学到足够好的图像特征，容易过拟合，收敛效果差；而VGG预训练模型在ImageNet百万级图像上训练过，已经具备了非常强的通用图像特征提取能力，用迁移学习可以直接复用这个能力，只需要微调适配我的11类分类任务，完美解决小样本训练的痛点，大幅提升模型精度和训练效率。
问题16：你是怎么对VGG预训练模型做微调的？具体操作是什么？
回答：我的微调分为两个阶段，核心是"冻底调顶，逐步解冻"：
第一阶段，我冻结了VGG网络所有的卷积特征提取层，只把顶层的全连接分类层替换成适配11类分类的全连接层，只训练这个新的分类层，让模型先适配我的数据集的分类逻辑；
第二阶段，我解冻了VGG最后两段的卷积层，用非常小的学习率联合训练，让模型的高层特征提取层适配食物图像的专属特征，底层的通用特征层依然冻结，避免破坏预训练学到的通用能力，同时防止小样本下过拟合。
问题17：什么是冻结层？你为什么要冻结VGG的底层网络，只微调顶层？
回答：冻结层就是把网络层的参数固定住，训练的时候不更新权重，只保留前向传播的能力。
我冻结VGG底层网络，核心原因是CNN的底层卷积层学到的是边缘、纹理、颜色这些通用的图像基础特征，这些特征不管是ImageNet的图像，还是我的食物图像，都是通用的，完全可以直接复用，不需要重新训练；而顶层的卷积层和全连接层学到的是和具体任务相关的高级特征，需要微调适配我的11类食物分类任务。同时冻结底层也能大幅减少需要训练的参数量，避免小样本下模型过拟合，加快训练收敛。
问题18：迁移学习相比从头训练模型，有什么优势？
回答：在我的小样本项目里，迁移学习有三个核心优势：一是训练效率极高，不用从头训练整个网络，收敛速度比从头训练快好几倍；二是解决了小样本数据不足的问题，复用预训练的特征能力，避免了小样本从头训练学不到有效特征的问题；三是模型泛化能力更强，不容易过拟合，最终的分类精度远高于从头训练的自定义CNN模型。
问题19：你有没有对比过自定义CNN和迁移学习VGG的效果？差距在哪里？为什么？
回答：我做了完整的对比实验，自定义CNN的测试集精度大概在72%左右，而迁移学习微调后的VGG测试集精度能达到89%，差距非常明显。
核心原因有两个：第一，自定义CNN是轻量化网络，层数少，特征提取能力有限，加上小样本数据不足，很难学到食物的有效特征；而VGG是深层网络，预训练阶段已经在百万级图像上学到了极强的通用特征提取能力，只需要微调就能适配食物分类任务；第二，自定义CNN从头训练，小样本下很容易过拟合，泛化能力差；而迁移学习冻结了大部分层，只微调少量参数，大幅降低了过拟合的风险，泛化能力更强。
五、半监督学习与伪标签类（简历亮点，高频重点提问）
问题20：什么是半监督学习？你为什么在这个项目中引入半监督学习？
回答：半监督学习是一种同时利用有标签数据和无标签数据训练模型的学习方式，介于全监督学习和无监督学习之间。
我引入半监督学习，核心原因是food-11的有标签样本数量少，全监督训练的上限不高，而数据集中有大量的无标签样本可以利用；通过半监督学习的伪标签方案，可以把高置信度的无标签样本加入训练集，扩充训练数据的规模，进一步提升模型的特征提取能力和分类精度，同时还能增强模型的泛化能力，完美贴合小样本场景的需求。
问题21：什么是伪标签技术？你的伪标签生成流程是什么？
回答：伪标签技术是半监督学习中最常用的方法，简单说就是用已经训练好的有监督模型，给无标签的图像做预测，得到的预测标签就叫伪标签，用这些带伪标签的样本扩充训练集，继续优化模型。
我的伪标签生成流程是：第一，用有标签的训练集训练好VGG迁移学习模型，得到一个基础模型；第二，用这个基础模型给无标签样本做预测，得到每个样本的预测类别和置信度；第三，设置置信度阈值，筛选出置信度高于阈值的高置信度样本，把它们的伪标签作为真实标签；第四，把这些高置信度样本加入原来的训练集，重新训练优化模型，提升分类效果。
问题22：你是怎么筛选高置信度的无标签样本的？为什么要设置置信度阈值？
回答：我设置了0.9的置信度阈值，只有模型预测的最大类别概率大于0.9的样本，才会被选为高置信度样本，加入训练集。
设置置信度阈值，核心是为了保证伪标签的质量。因为伪标签是模型自己预测的，会有错误的情况，如果把低置信度、预测错误的样本加入训练集，会给模型引入错误的监督信号，导致模型精度下降，甚至学偏；只保留高置信度的样本，能最大程度保证伪标签的正确率，让扩充的样本真正起到优化模型的作用。
问题23：加入伪标签扩充训练集后，你的模型效果有什么提升？
回答：加入高置信度伪标签样本扩充训练集后，我的模型测试集精度从原来的89%提升到了92%，同时验证集和测试集的精度差距缩小了，说明模型的泛化能力也得到了提升，过拟合的情况进一步缓解。
问题24：伪标签技术有什么缺点？你是怎么规避的？
回答 ：伪标签技术最大的缺点是标签噪声问题，如果伪标签预测错误，会给模型引入错误的监督信息，导致模型性能下降，甚至出现"错误累积"的情况，也就是错误的标签让模型越学越差，生成更多错误的伪标签。
我主要用两个方法规避：第一，设置严格的高置信度阈值，只保留模型预测非常确定的样本，从源头降低错误标签的比例；第二，采用迭代式伪标签更新，每训练一轮模型，就重新生成一次伪标签，筛选高置信度样本，用更优的模型生成更准确的伪标签，进一步减少标签噪声。
六、模型训练与优化类（简历明确提及，必问）
问题25：你为什么选择AdamW优化器，而不是SGD或者Adam？
回答：主要有三个原因：第一，SGD是固定学习率，收敛速度太慢，训练效率低，不适合我的小样本迁移学习场景；第二，普通Adam虽然收敛快，但它的权重衰减和梯度计算耦合在一起，正则化效果差，小样本下很容易过拟合；第三，AdamW是Adam的改进版，解耦了权重衰减和梯度更新，既保留了Adam自适应学习率、收敛速度快的优点，又能实现稳定有效的正则化，完美解决小样本下模型过拟合的问题，兼顾训练效率和模型泛化能力，所以最终选择了AdamW。
问题26：AdamW相比Adam的核心改进是什么？
回答 ：AdamW相比Adam的核心改进，就是解耦了权重衰减和梯度更新。
普通Adam中，权重衰减项是直接加到梯度里的，会和自适应学习率一起被缩放，导致正则化效果受梯度大小影响，不稳定甚至失效；而AdamW把权重衰减项从梯度中独立出来，在完成梯度的自适应更新后，单独对模型权重施加衰减惩罚，让正则化效果不受自适应学习率的影响，更稳定、更有效，能大幅缓解模型过拟合的问题。
问题27：你为什么选择交叉熵损失函数？多分类任务为什么不用MSE损失？
回答：我做的是11类多分类任务，交叉熵损失函数是多分类任务的标准损失函数，它能很好地衡量模型预测的类别概率分布和真实标签的分布之间的差距，和softmax激活函数搭配，梯度更新更稳定，收敛效果更好。
不用MSE损失，核心原因有三个：第一，MSE是用于回归任务的损失函数，假设数据符合高斯分布，而分类任务的标签是离散的，不符合这个假设；第二，MSE对分类任务来说，梯度更新非常不稳定，容易出现梯度饱和、梯度消失的问题，模型很难收敛；第三，MSE会对错误的预测惩罚不足，无法有效引导模型学习正确的分类边界，分类效果远不如交叉熵损失。
问题28：你是怎么用验证集实时监控模型泛化能力的？
回答：我每训练一个epoch，就会用验证集做一次前向传播，计算模型在验证集上的损失和分类精度，全程记录这两个指标的变化。如果训练集的损失持续下降，但验证集的损失不再下降甚至开始上升，同时验证集精度也开始下降，就说明模型出现了过拟合，泛化能力下降，这时候我就会触发早停策略，停止训练，保存之前泛化能力最好的模型权重，以此来实时监控和保证模型的泛化能力。
问题29：你做的训练曲线可视化，具体看哪些指标？有什么作用？
回答：我主要可视化四个核心指标的曲线：训练集损失、验证集损失、训练集精度、验证集精度。
它的核心作用有三个：第一，直观判断模型是否收敛，当损失曲线趋于平稳不再下降，就说明模型基本收敛了；第二，快速发现过拟合，当训练集指标持续变好，但验证集指标变差，就能立刻发现过拟合，及时调整训练策略；第三，辅助调参，通过曲线的震荡情况、收敛速度，可以调整学习率、权重衰减系数等超参数，优化模型训练效果。
问题30：模型训练时，怎么判断模型收敛了？
回答：我主要通过三个标准判断模型收敛：第一，训练集和验证集的损失曲线都趋于平稳，不再有明显的下降，波动范围很小；第二，训练集和验证集的分类精度也趋于稳定，不再有明显的提升；第三，连续多个epoch，模型的验证集精度没有提升，甚至略有下降，说明模型已经学到了数据的核心特征，无法再进一步优化，就可以判断模型收敛了。
七、过拟合与泛化能力类（简历核心解决的问题，高频提问）
问题31：什么是过拟合？过拟合的表现是什么？
回答：过拟合是模型在训练过程中，过度学习了训练集里的细节、噪声，而不是数据的通用核心特征，导致模型在训练集上表现非常好，损失低、精度高，但在未知的测试集、验证集上表现很差，泛化能力严重下降。
核心表现就是：训练集精度持续上升，验证集/测试集精度先上升后下降；训练集损失持续下降，验证集/测试集损失先下降后上升，两者差距越来越大。
问题32：你的项目中用了哪些方法来缓解过拟合？分别是什么原理？
回答：我一共用了五种方法缓解过拟合：
第一，数据增广，通过扩充训练数据的多样性，让模型学习通用特征，而不是死记训练集细节；
第二，迁移学习冻结大部分层，只微调少量参数，大幅减少需要训练的参数量，降低模型过拟合的风险；
第三，AdamW优化器的解耦权重衰减，通过惩罚模型的大权重，降低模型复杂度，实现正则化；
第四，网络中加入BN层和Dropout层，BN有轻微正则化效果，Dropout通过训练时随机失活部分神经元，避免模型过度依赖某一个特征，缓解过拟合；
第五，早停策略，通过验证集监控泛化能力，当模型出现过拟合时及时停止训练，避免模型过度学习训练集噪声。
问题33：什么是泛化能力？怎么提升模型的泛化能力？
回答：泛化能力就是模型在训练集之外的未知数据上的表现能力，也就是模型学到的通用特征的能力，泛化能力强的模型，在测试集上也能有很好的表现。
提升泛化能力的方法，在我的项目里主要有：扩充高质量的训练数据、用数据增广提升数据多样性、用迁移学习复用预训练的通用特征、加入正则化策略（权重衰减、Dropout、BN）、用验证集做早停、选择合适的模型复杂度，避免模型过深过复杂。
问题34：早停策略你有用到吗？它是怎么防止过拟合的？
回答：我用到了早停策略。它防止过拟合的原理是：模型训练过程中，前期会学习数据的通用核心特征，训练集和验证集的效果都会提升；但训练到后期，模型会开始学习训练集里的噪声和细节，出现过拟合，这时候训练集效果会继续变好，但验证集效果会下降。早停策略就是通过监控验证集的指标，当验证集精度连续多个epoch不再提升甚至下降时，就提前停止训练，保存之前泛化能力最好的模型权重，避免模型继续学习噪声，从而防止过拟合。
八、项目结果与个人收获类（收尾必问）
问题35：你的模型最终的分类精度是多少？在验证集和测试集上的表现分别怎么样？
回答：我的模型最终在训练集上的精度是95.2%，验证集上的精度是93.1%，最终在独立的测试集上的分类精度是92.3%，验证集和测试集的精度差距很小，说明模型的泛化能力很好，没有出现严重的过拟合，完成了项目预期的11类食物分类目标。
问题36：这个项目中，你遇到的最大的问题是什么？怎么解决的？
回答：我遇到的最大的问题，是最开始做迁移学习微调的时候，模型出现了严重的过拟合，训练集精度很快就到了90%以上，但验证集精度只有75%左右，泛化能力很差。
我一步步排查解决，首先是调整了微调策略，从一开始解冻全部层，改成只微调顶层全连接层，冻结底层特征层，减少训练参数量；然后加入了更丰富的数据增广策略，扩充数据多样性；接着把优化器从Adam换成了AdamW，调整了权重衰减系数，加强正则化；最后加入了早停策略，实时监控验证集效果。通过这一系列操作，最终解决了过拟合的问题，验证集和测试集精度都得到了大幅提升。
问题37：做完这个项目，你最大的收获是什么？
回答：最大的收获有三个方面：第一，完整掌握了图像分类任务从数据处理、网络搭建、模型训练、优化调参到效果评估的全流程，对CNN的原理和图像特征提取的逻辑有了更深入的理解；第二，掌握了迁移学习和半监督学习在小样本场景下的应用方法，学会了怎么用成熟的预训练模型解决实际的小样本任务痛点；第三，学会了怎么定位和解决模型过拟合的问题，掌握了数据增广、正则化、早停等多种优化策略，提升了自己的工程实践和问题排查能力。
问题38：如果要继续优化这个项目，你会从哪些方面入手？
回答：我会从四个方面继续优化：第一，换用更先进的预训练模型，比如ResNet、ConvNeXt等，进一步提升模型的特征提取能力和分类精度；第二，优化半监督学习方案，不用简单的伪标签，换用更先进的半监督学习算法，比如FixMatch、MixMatch等，进一步提升无标签数据的利用率；第三，针对数据集的类别不均衡问题，做加权损失、过采样等优化，提升小众类别的分类精度；第四，做模型轻量化和部署优化，把训练好的模型量化压缩，部署到移动端，实现实时的食物图像识别。
九、高频延伸追问类（概率中等，针对简历细节）
问题39：你用PyTorch做这个项目，PyTorch中Dataset和DataLoader的区别是什么？
回答：Dataset是数据集的抽象类，核心作用是定义数据的读取方式，返回单条样本数据和对应的标签，解决"数据从哪里来、怎么预处理"的问题；而DataLoader是数据加载器，它接收Dataset对象，核心作用是把Dataset返回的单条样本，打包成批次数据，同时实现多线程加载、数据打乱、预处理加速等功能，解决"怎么批量、高效地把数据送给模型训练"的问题。
问题40：多分类任务中，softmax层的作用是什么？
回答：softmax层的核心作用，是把模型全连接层输出的任意数值的logits，转换成总和为1、范围在0-1之间的概率分布，每个数值对应模型预测该样本属于对应类别的概率。这样一来，我们就可以清晰地看到模型对每个类别的预测置信度，同时也能和交叉熵损失函数配合，完成模型的损失计算和参数更新。
问题41：什么是梯度消失？你在项目中是怎么缓解梯度消失的？
回答：梯度消失是深层神经网络训练时，反向传播过程中，梯度从顶层向底层传递时，不断相乘衰减，最终底层网络的梯度变得无限接近于0，底层网络的权重无法更新，模型无法收敛的问题。
我在项目中主要用三个方法缓解梯度消失：第一，在网络中加入BN批量归一化层，调整数据分布，让梯度保持在稳定的范围内，避免梯度饱和；第二，使用ReLU激活函数，替代传统的sigmoid激活函数，ReLU在正区间的梯度恒为1，不会出现梯度衰减的问题；第三，用迁移学习，冻结底层网络，不用更新底层权重，从根本上避免了底层梯度消失的问题。
问题42：你在项目中用到的半监督学习，和全监督学习相比，有什么优势和劣势？
回答：优势主要有两个：一是可以利用大量低成本的无标签数据，解决有标签数据不足、标注成本高的问题，非常适合小样本场景；二是通过扩充训练数据，能进一步提升模型的泛化能力和分类精度，突破全监督训练的效果上限。
劣势主要有两个：一是伪标签存在标签噪声的问题，如果处理不好，会引入错误的监督信息，导致模型性能下降；二是半监督学习的训练流程更复杂，需要多次迭代训练、筛选样本，调参难度比全监督学习更高。
十、压力面追问类（概率较低，应对突发）
问题43：你这个项目感觉都是用现成的模型和方法，你的创新点在哪里？
回答：这个项目的核心定位是工程实践类项目，我的核心创新和工作重点，不是提出新的算法模型，而是针对小样本食物分类这个具体的场景痛点，做了完整的技术方案选型和落地优化。
具体来说，第一，我针对小样本的痛点，设计了"自定义CNN验证→迁移学习微调→半监督伪标签扩充"的阶梯式优化方案，一步步解决了小样本下精度低、泛化能力弱的问题；第二，我针对迁移学习微调时的过拟合问题，做了多组对比实验，确定了最优的冻结策略、超参数组合，最终实现了92%以上的分类精度；第三，我完整落地了从数据处理到模型优化的全流程，解决了过程中遇到的过拟合、模型不收敛等多个实际问题，这也是我在这个项目中的核心工作和收获。
问题44：你做的这个项目，和网上开源的食物分类项目有什么区别？
回答：主要有三个区别：第一，我做了完整的对比实验，从自定义CNN从头训练，到VGG迁移学习，再到半监督伪标签优化，完整验证了不同方案在小样本食物分类场景下的效果，有清晰的对比和优化逻辑，而不是直接套用开源的预训练模型；第二，我针对小样本过拟合的问题，做了多维度的优化，从数据增广、迁移学习冻结策略、优化器选型、正则化策略等多个方面做了调优，最终的模型泛化能力更好；第三，我完整自主实现了整个项目的所有流程，包括自定义Dataset、网络搭建、训练可视化、伪标签生成等所有代码，没有直接套用开源的完整项目，对每一个环节的原理和逻辑都有深入的理解。
问题45：为什么你用了这么多方法，最终精度还是没有达到SOTA水平？
回答：主要有两个原因：第一，我的项目核心目标是解决小样本场景下的食物分类问题，完整掌握图像分类的全流程开发，而不是追求SOTA精度，所以我选用了结构简单、容易理解的VGG模型，没有用最新的SOTA大模型；第二，SOTA级别的食物分类模型，大多是用更大规模的食物数据集、更深更复杂的网络结构，结合更先进的半监督、自监督学习算法实现的，我的项目受限于数据集规模和实验环境，重点是工程实践和原理理解，在现有条件下，92%的测试精度已经达到了项目的预期目标。如果要追求SOTA精度，后续可以通过更换更大的模型、更先进的算法来实现。