目录

一、先把 “工具” 准备好：模块导入的逻辑

二、模型是怎么 “搭” 出来的？像搭积木一样组合层

1. 简单 CNN 的 “积木式” 搭建

2. 经典与复杂模型的对比

三、数据是模型的 “燃料”：加载与预处理

四、集成方法：让多个模型 “投票” 提高准确率

五、最后：这些预备知识是深度学习的 “地基”

---

深度学习入门：从模型构建到集成方法的预备知识总结：

      最近在学习深度学习，接触了不少 “预备知识”—— 从环境配置、模型搭建，到数据处理和集成技巧，每一步都藏着学问。今天把这些内容梳理一下，既是给自己复盘，也希望能帮到刚入门的同学～

一、先把 “工具” 准备好：模块导入的逻辑

      要做深度学习，得先把常用的 “工具库” 导入进来。我刚开始学的时候，看着一堆import有点懵，后来慢慢明白每个库的分工：

• PyTorch 核心：torch是整个框架的基础，torch.nn（建模用的层、模块）、torch.optim（优化器，比如 Adam）、torch.nn.functional（激活函数、池化等操作）是搭建模型的 “砖瓦”；torch.backends.cudnn能加速 GPU 计算。
• 数值与视觉辅助：numpy用来做数值计算（有时候和 PyTorch 张量互相转换）；torchvision专门处理图像数据，比如数据集下载、图像变换（transforms）。
• 数据与工具类：DataLoader把数据集分成小批次，方便训练时迭代；Counter是 Python 自带的工具，后面做 “投票集成” 会用到。

      另外还要定义超参数，比如BATCHSIZE（每次喂给模型多少样本）、EPOCHES（训练多少轮）、LR（学习率，控制参数更新的步长），这些参数得根据任务调整。

二、模型是怎么 “搭” 出来的？像搭积木一样组合层

      深度学习模型，尤其是 CNN（卷积神经网络），感觉就像 “搭积木”—— 把卷积层、池化层、全连接层按一定顺序组合起来。以 PyTorch 为例，所有模型都要继承nn.Module，然后在__init__里定义层，在forward里写数据的流动逻辑。

1. 简单 CNN 的 “积木式” 搭建

      比如CNNNet、Net这些模型，都是先做卷积（提取特征），再用池化（缩小特征图尺寸，保留关键信息），最后用全连接层做分类。我刚开始写的时候，总搞不清Conv2d的参数（输入通道、输出通道、卷积核大小），后来记住了规律：输入通道要和上一层的输出通道匹配，输出通道可以自己设计（相当于提取的特征数量）。

2. 经典与复杂模型的对比

• LeNet：很经典的早期 CNN 结构，卷积 + 池化的组合很清晰，能帮新手理解 “特征从简单到复杂” 的提取过程。
• VGG：更复杂一些，用了 “重复小卷积块 + 池化” 的模式。代码里还用了cfg（配置列表）来生成层，这种 “配置化构建” 的思路很实用，能减少重复代码，也方便对比不同深度的 VGG（比如 VGG16 和 VGG19）。

三、数据是模型的 “燃料”：加载与预处理

      模型搭好了，得喂数据。以 CIFAR10 数据集为例（它是 10 类物体的图像数据集），数据处理分两步：变换（transform）和加载（DataLoader）。

• 变换（transforms）：训练集和测试集的处理不太一样。训练集要做数据增强（比如RandomCrop随机裁剪、RandomHorizontalFlip随机水平翻转），目的是让模型见更多 “变种”，提高泛化能力；测试集只需要标准化（Normalize）和转张量（ToTensor）就行，因为测试要 “原汁原味” 地评估。
• 加载（DataLoader）：把数据集打包成 “批次”，训练时用shuffle=True打乱数据，让模型每次看到的样本顺序不同；测试时shuffle=False，方便评估。

      第一次下载数据集时，要把download=True（代码里原来可能是 False，会报错 “数据集找不到”），这样 PyTorch 会自动把 CIFAR10 下载到指定目录。

四、集成方法：让多个模型 “投票” 提高准确率

      单个模型容易 “偏见”，那让多个模型一起预测，最后 “投票” 选结果，准确率往往更高 —— 这就是模型集成的思路。

      代码里把多个模型（比如CNNNet、Net、LeNet）放到一个列表里，然后：

1. 一起训练：每个模型都在同样的数据集上学，优化器同时更新所有模型的参数。
2. 一起预测：测试时，每个模型都输出预测结果，然后用Counter统计每个样本的 “投票”，选得票最多的类别作为最终预测。

      我试了下，集成后的模型准确率确实比单个模型更稳定，有点像 “三个臭皮匠顶个诸葛亮” 的感觉～

五、最后：这些预备知识是深度学习的 “地基”

      从模块导入、模型搭建，到数据处理、集成方法，这些都是深度学习实践的基础。刚开始学的时候，每一步都得仔细琢磨（比如模型里forward的张量形状怎么变化、数据增强为什么有用），但掌握后会发现，它们都是在为 “让模型更好地学习” 服务。把这些 “预备知识” 吃透，后面做更复杂的任务（比如更大的数据集、更深度的模型）也会更有底气～