题目：卷积神经网络图像分类系统设计与实现——以CIFAR-10/猫狗分类为例

技术栈：Python · PyTorch · Flask · Vue3

核心工作：

---

三、核心实验：数据增强对过拟合的抑制效果

3.1 实验设计（对照实验）

变量	实验组（Aug）	对照组（No-Aug）
随机水平翻转	✓	✗
随机裁剪（padding=4）	✓	✗
随机旋转（15°）	✓	✗
颜色抖动	✓	✗
归一化	✓（相同）	✓（相同）

控制变量：相同模型结构、相同训练轮次（50 epoch）、相同优化器参数（SGD, lr=0.1, momentum=0.9）

3.2 关键代码实现

# 数据增强策略定义
def get_transforms(use_augment=True):
    if use_augment:
        train_transform = transforms.Compose([
            transforms.RandomHorizontalFlip(p=0.5),
            transforms.RandomRotation(15),
            transforms.RandomCrop(32, padding=4),
            transforms.ColorJitter(brightness=0.2, contrast=0.2),
            transforms.ToTensor(),
            transforms.Normalize((0.4914, 0.4822, 0.4465), 
                               (0.2023, 0.1994, 0.2010)),
        ])
    else:
        train_transform = transforms.Compose([
            transforms.ToTensor(),
            transforms.Normalize((0.4914, 0.4822, 0.4465), 
                               (0.2023, 0.1994, 0.2010)),
        ])
    return train_transform, test_transform

3.3 实验结果

指标	无数据增强	有数据增强	提升
训练集准确率	94.2%	91.8%	-2.4%
验证集准确率	78.5%	85.3%	+6.8%
过拟合差距	15.7%	6.5%	-9.2%
最终测试准确率	76.8%	84.6%	+7.8%

关键发现：

3.4 可视化分析

training_curves.png

左图：对照组（蓝线训练loss持续下降，橙线验证loss反弹）；右图：实验组双曲线同步收敛

---

四、工程实现要点

4.1 模型结构适配

CIFAR-32×32图像远小于ImageNet-224×224，直接使用标准ResNet-18会导致：

model = resnet18(num_classes=10)
model.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False)
model.maxpool = nn.Identity()  # 恒等映射替代下采样

4.2 Mac MPS加速踩坑

问题：PyTorch 2.0+自动检测MPS后端，但DataLoader多进程报错 解决：设置num_workers=0（MPS暂不支持多进程数据加载）

trainloader = DataLoader(trainset, batch_size=128, 
                        shuffle=True, num_workers=0)  # MPS必须单进程

4.3 跨域与部署

Flask后端配置CORS：

from flask_cors import CORS
app = Flask(__name__)
CORS(app)  # 开发环境全开放，生产环境需配置白名单

Vue3前端代理配置（vite.config.js）：

server: {
  proxy: {
    '/api': {
      target: 'http://localhost:5001',
      changeOrigin: true,
      rewrite: (path) => path.replace(/^\/api/, '')
    }
  }
}

---

五、项目结构

cnn_project/
├── models/
│   └── resnet18_best.pth          # 最佳模型权重（85.3%验证准确率）
├── data/
│   └── cifar-10-batches-py/     # 数据集（自动下载）
├── train.py                       # 训练脚本（含对照实验）
├── app.py                         # Flask推理服务
├── frontend/                      # Vue3前端
│   ├── src/
│   │   └── App.vue               # 主页面（拖拽上传+结果可视化）
│   └── vite.config.js            # 代理配置
└── README.md                      # 详细使用文档

---

六、快速开始

---

完整代码：https://github.com/yourname/cnn-cifar10-classification

• 实现ResNet-18/VGG网络，在CIFAR-10上达到85%+准确率

• 设计数据增强策略（旋转、裁剪、归一化），分析过拟合与正则化效果

• 开发Web交互系统：前端上传图片，后端调用模型推理返回结果

• cnn_project/                    # PyCharm 打开此文件夹
  ├── .idea/                      # PyCharm 配置（自动生成）
  ├── venv/                       # Python 虚拟环境
  ├── models/
  │   └── resnet18_best.pth       # 训练好的模型
  ├── data/                       # CIFAR-10 数据集（自动下载）
  ├── train.py                    # 训练脚本
  ├── app.py                      # Flask 后端
  └── frontend/                   # WebStorm 打开此文件夹
      ├── .idea/                  # WebStorm 配置（自动生成）
      ├── node_modules/
      ├── src/
      │   └── App.vue             # 主页面
      ├── vite.config.ts          # 代理配置
      └── package.json

  核心目标：建立"数据→模型→训练→评估→部署"的完整认知闭环。

  ---

  二、技术架构

  ┌─────────────┐     ┌─────────────┐     ┌─────────────┐
  │   数据采集   │ --> │   模型训练   │ --> │   服务部署   │
  │  CIFAR-10   │     │  ResNet-18  │     │ Flask API   │
  └─────────────┘     └─────────────┘     └─────────────┘
                                                │
                                                v
                                         ┌─────────────┐
                                         │   前端交互   │
                                         │   Vue 3     │
                                         └─────────────┘

  技术栈：

• 深度学习：Python 3.12 · PyTorch 2.1 · torchvision

• 模型架构：ResNet-18（适配修改）

• 后端服务：Flask · Flask-CORS · Gunicorn（生产）

• 前端交互：Vue 3 · Vite · Axios

• 开发环境：PyCharm · WebStorm · Mac M3（MPS加速）

• 数据增强降低了训练集准确率（更难拟合），但显著提升验证集表现

• 对照组出现典型过拟合：训练loss持续下降，验证loss在epoch 30后反弹

• 实验组loss曲线同步收敛，泛化性能稳定

• 首层卷积（kernel=7, stride=2）+ MaxPool后，特征图仅剩4×4

• 解决方案：修改首层为kernel=3, stride=1，移除MaxPool

•