简介本资源是一个面向深度学习初学者与课程设计实践者的服装图像智能分类项目聚焦Fashion-MNIST数据集上的端到端建模与工程实现解决图像识别中类别判别、特征提取与模型部署等核心问题适用于人工智能课程设计、毕业设计及CV入门实战。压缩包共5个文件984KB含Python主程序FashionClassification.py实现CNN模型构建与训练、PDF版课程设计报告详述算法原理与实验过程、Word文档记录作者信息与设计思路、Markdown格式README说明运行环境与步骤、TXT文本提供基础使用提示结构精炼、即开即用。目前已有123人学习下载读者可直接复现完整训练流程掌握数据预处理、PyTorch/TensorFlow模型搭建、准确率评估及结果可视化等关键技能并通过报告与代码对照理解从理论到落地的全链路设计逻辑。1. 为什么用 Fashion-MNIST 做服装分类比直接上真实电商图更稳、更快、更适合课程设计你手头有一堆淘宝/拼多多风格的服装图背景杂乱、模特姿态不一、光照忽明忽暗、还有水印和文字遮挡——直接扔进 ResNet 训练大概率第一轮 val_acc 就卡在 65%loss 曲线像心电图一样抖调参三天后发现是数据在“玄学”干扰模型。而这个标题里的「服装图像智能分类与识别系统」核心落点其实是用 Fashion-MNIST 这个被千锤百炼过的灰度服装基准数据集在 PyTorch/TensorFlow 框架下跑通从数据加载、模型搭建、训练监控到推理部署的最小闭环。它不是工业级落地项目而是帮你把「卷积怎么提取纹理」「BatchNorm 为什么能加速收敛」「CrossEntropyLoss 的 logits 输入逻辑」这些黑匣子变成可打断、可打印、可改一行代码就看到效果变化的实体。适合课程设计、毕设开题、深度学习入门实战——不拼算力不靠数据清洗玄学只考你对框架 API 的理解深度和 debug 能力。压缩包里那份「详细课程设计报告」本质是一份带批注的实验记录每张 loss 曲线图都标了超参组合每个准确率数字背后都有 dropout 率和学习率衰减策略的对照。这不是玩具是能让你在答辩时被问「为什么用 Adam 不用 SGD」时掏出训练日志截图当场解释的底气。2. 用 PyTorch 在本地跑通 Fashion-MNIST 分类从数据加载到模型验证的最小命令链2.1 三行代码加载 Fashion-MNIST 并完成标准化预处理Fashion-MNIST 是 28×28 灰度图共 10 类T-shirt、Trouser、Pullover 等训练集 60,000 张测试集 10,000 张。PyTorch 提供了开箱即用的torchvision.datasets.FashionMNIST但直接加载会返回 PIL 图像需转为 tensor 并归一化。关键不是「能不能加载」而是「加载后张量形状是否符合后续 conv 层输入要求」import torch from torchvision import datasets, transforms # 定义预处理流水线转 tensor 归一化均值0.1307标准差0.3081是Fashion-MNIST官方统计值 transform transforms.Compose([ transforms.ToTensor(), # PIL → [C, H, W]自动除以255缩放到[0,1] transforms.Normalize((0.1307,), (0.3081,)) # 单通道灰度图均值/标准差为标量元组 ]) # 加载训练集和测试集root指定数据存放路径downloadTrue自动下载 train_dataset datasets.FashionMNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.FashionMNIST(root./data, trainFalse, downloadTrue, transformtransform) # 验证张量形状batch_size1时输入应为 [1, 1, 28, 28] sample_img, sample_label train_dataset[0] print(fSample shape: {sample_img.shape}, Label: {sample_label}) # 输出: torch.Size([1, 28, 28]), 0注意transforms.Normalize的参数必须是元组即使单通道也要写(0.1307,)而非0.1307否则会报TypeError: img should be PIL Image。这是新手最常翻车的第一步——看似加载成功实际sample_img是未归一化的[0,1]浮点 tensor而 Normalize 期望的是[0,255]整型输入导致归一化失效。我们这里用ToTensor()先完成缩放再 Normalize顺序不能颠倒。2.2 搭建轻量 CNN 模型兼顾课程设计可解释性与收敛速度课程设计不需要 ResNet-50一个 4 层卷积2层全连接的结构足够既能清晰展示特征图尺寸变化28→24→20→16→12→8又能在 CPU 上 10 分钟内跑完 10 个 epoch。重点在于让每一层输出尺寸可推导方便调试时print(x.shape)定位维度错位import torch.nn as nn import torch.nn.functional as F class FashionCNN(nn.Module): def __init__(self, num_classes10): super().__init__() # 第一层卷积输入1通道输出32通道kernel5padding2保证尺寸不变28→28 self.conv1 nn.Conv2d(1, 32, kernel_size5, padding2) # out: [32, 28, 28] self.bn1 nn.BatchNorm2d(32) # 第二层卷积32→64kernel5stride2实现下采样28→14 self.conv2 nn.Conv2d(32, 64, kernel_size5, stride2) # out: [64, 14, 14] self.bn2 nn.BatchNorm2d(64) # 第三层卷积64→128kernel3padding114→14再接maxpool14→7 self.conv3 nn.Conv2d(64, 128, kernel_size3, padding1) # out: [128, 14, 14] self.pool3 nn.MaxPool2d(2) # out: [128, 7, 7] # 全连接层128*7*76272 → 512 → 10 self.fc1 nn.Linear(128 * 7 * 7, 512) self.fc2 nn.Linear(512, num_classes) self.dropout nn.Dropout(0.5) # 防止过拟合课程设计中 dropout0.5 是经验值 def forward(self, x): x F.relu(self.bn1(self.conv1(x))) # [1,1,28,28] → [1,32,28,28] x F.relu(self.bn2(self.conv2(x))) # [1,32,28,28] → [1,64,14,14] x F.relu(self.conv3(x)) # [1,64,14,14] → [1,128,14,14] x self.pool3(x) # [1,128,14,14] → [1,128,7,7] x x.view(x.size(0), -1) # flatten: [1,128,7,7] → [1,6272] x F.relu(self.fc1(x)) # [1,6272] → [1,512] x self.dropout(x) x self.fc2(x) # [1,512] → [1,10] return x model FashionCNN() print(model)逻辑说明forward中每一步的x.shape都可手动验算。例如conv2的stride2是为了快速降维避免全连接层参数爆炸pool3放在conv3后而非中间是因为课程设计强调「先提特征再压缩」的教学逻辑view(x.size(0), -1)的-1表示自动计算剩余维度等价于6272但写-1更鲁棒——万一改了卷积参数不用手动重算。2.3 训练循环带进度条、早停与模型保存的完整脚本课程设计报告里「训练过程分析」章节需要可复现的 loss/acc 曲线。以下脚本封装了tqdm进度条、torch.save模型快照、以及基于验证集准确率的早停patience3import torch.optim as optim from torch.utils.data import DataLoader from tqdm import tqdm # 数据加载器batch_size128是Fashion-MNIST的常用值太大易OOM太小收敛慢 train_loader DataLoader(train_dataset, batch_size128, shuffleTrue, num_workers2) test_loader DataLoader(test_dataset, batch_size128, shuffleFalse, num_workers2) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # Adam比SGD收敛快课程设计首选 def train_epoch(model, loader, criterion, optimizer, devicecpu): model.train() running_loss 0.0 for images, labels in tqdm(loader, descTraining, leaveFalse): images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() return running_loss / len(loader) def validate(model, loader, devicecpu): model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs.data, 1) total labels.size(0) correct (predicted labels).sum().item() return 100 * correct / total # 主训练循环 device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) best_acc 0.0 patience_counter 0 num_epochs 20 for epoch in range(num_epochs): train_loss train_epoch(model, train_loader, criterion, optimizer, device) val_acc validate(model, test_loader, device) print(fEpoch {epoch1}/{num_epochs} | Train Loss: {train_loss:.4f} | Val Acc: {val_acc:.2f}%) # 早停连续3轮val_acc不提升则停止 if val_acc best_acc: best_acc val_acc torch.save(model.state_dict(), best_fashion_cnn.pth) # 保存最优模型 patience_counter 0 else: patience_counter 1 if patience_counter 3: print(fEarly stopping at epoch {epoch1}) break参数说明num_workers2可加速数据加载但 Windows 下需放在if __name__ __main__:内tqdm的leaveFalse避免训练轮次间刷屏torch.max(outputs.data, 1)中的.data是为兼容旧版 PyTorch新版可省略best_fashion_cnn.pth是课程设计报告中「模型评估」章节的原始依据——答辩时可直接加载此文件做 demo。3. TensorFlow/Keras 版本实现Keras Functional API 构建可复现的分类流程3.1 使用 tf.keras.datasets.fashion_mnist 加载并预处理数据TensorFlow 用户习惯用tf.keras.datasets其返回的是 numpy 数组需手动转为 float32 并归一化。与 PyTorch 不同Keras 默认输入为[N, H, W, C]因此需增加 channel 维度import tensorflow as tf from tensorflow import keras import numpy as np # 加载数据返回 (x_train, y_train), (x_test, y_test) (x_train, y_train), (x_test, y_test) keras.datasets.fashion_mnist.load_data() # 数据预处理归一化 增加通道维度 x_train x_train.astype(float32) / 255.0 # [60000, 28, 28] → [60000, 28, 28] x_test x_test.astype(float32) / 255.0 # [10000, 28, 28] → [10000, 28, 28] x_train np.expand_dims(x_train, axis-1) # [60000, 28, 28] → [60000, 28, 28, 1] x_test np.expand_dims(x_test, axis-1) # [10000, 28, 28] → [10000, 28, 28, 1] # 标签 one-hot 编码用于 categorical_crossentropy y_train_cat keras.utils.to_categorical(y_train, 10) y_test_cat keras.utils.to_categorical(y_test, 10) print(fx_train shape: {x_train.shape}, y_train shape: {y_train_cat.shape}) # 输出: x_train shape: (60000, 28, 28, 1), y_train shape: (60000, 10)关键区别PyTorch 的ToTensor()自动完成[H,W]→[C,H,W]和/255而 Keras 需手动expand_dims和/255。若忘记expand_dims模型会因输入维度不匹配报错expected conv2d_input to have 4 dimensions。这是跨框架迁移时最典型的维度陷阱。3.2 用 Functional API 构建模型显式定义输入输出便于课程设计报告绘图Functional API 比 Sequential 更清晰地展示数据流向适合在课程设计报告中绘制模型结构图如用keras.utils.plot_model# 定义输入层 inputs keras.Input(shape(28, 28, 1)) # 第一段Conv → BN → ReLU → MaxPool x keras.layers.Conv2D(32, (5, 5), paddingsame, nameconv1)(inputs) x keras.layers.BatchNormalization(namebn1)(x) x keras.layers.Activation(relu, namerelu1)(x) x keras.layers.MaxPooling2D((2, 2), namepool1)(x) # 28→14 # 第二段Conv → BN → ReLU → MaxPool x keras.layers.Conv2D(64, (5, 5), strides(2, 2), nameconv2)(x) # 14→7 x keras.layers.BatchNormalization(namebn2)(x) x keras.layers.Activation(relu, namerelu2)(x) x keras.layers.MaxPooling2D((2, 2), namepool2)(x) # 7→3向下取整 # 全连接段Flatten → Dense → Dropout → Dense x keras.layers.Flatten(nameflatten)(x) x keras.layers.Dense(512, activationrelu, namefc1)(x) x keras.layers.Dropout(0.5, namedropout)(x) outputs keras.layers.Dense(10, activationsoftmax, nameoutput)(x) # 构建模型 model_keras keras.Model(inputsinputs, outputsoutputs) model_keras.compile( optimizerkeras.optimizers.Adam(learning_rate0.001), losscategorical_crossentropy, metrics[accuracy] ) # 打印模型结构课程设计报告可截图此处 model_keras.summary()逻辑说明strides(2,2)在第二层卷积中直接实现下采样替代了单独的 MaxPool 层减少参数量paddingsame保证卷积后尺寸不变教学时可对比valid的效果name参数为每层命名方便在plot_model中显示中文标签如将conv1改为第一层卷积。3.3 训练与回调使用 ModelCheckpoint 和 ReduceLROnPlateau 实现自动化调优Keras 的回调机制让课程设计中的「超参调优」变得可追溯。以下脚本自动保存最优权重、动态调整学习率并生成训练历史供报告绘图# 定义回调函数 callbacks [ keras.callbacks.ModelCheckpoint( filepathbest_fashion_keras.h5, monitorval_accuracy, save_best_onlyTrue, verbose1 ), keras.callbacks.ReduceLROnPlateau( monitorval_loss, factor0.5, patience2, min_lr1e-7, verbose1 ), keras.callbacks.EarlyStopping( monitorval_accuracy, patience3, restore_best_weightsTrue, verbose1 ) ] # 开始训练 history model_keras.fit( x_train, y_train_cat, batch_size128, epochs20, validation_data(x_test, y_test_cat), callbackscallbacks, verbose1 ) # 保存训练历史课程设计报告中 loss/acc 曲线的数据源 import pickle with open(training_history.pkl, wb) as f: pickle.dump(history.history, f)参数说明ReduceLROnPlateau的factor0.5表示当val_loss2 轮不下降时学习率减半min_lr1e-7是下限防止学习率过小导致训练停滞restore_best_weightsTrue确保早停后模型权重回滚到最优状态避免答辩时加载的模型是早停前的次优版本。4. 模型评估与可视化混淆矩阵、错误样本分析与 Grad-CAM 热力图4.1 绘制混淆矩阵定位模型在哪类服装上持续犯错混淆矩阵是课程设计报告「结果分析」章节的核心图表。它能直观暴露模型弱点比如「T-shirt 和 Shirt」混淆严重说明纹理特征提取不足import matplotlib.pyplot as plt import seaborn as sns from sklearn.metrics import confusion_matrix import numpy as np # 加载最优模型PyTorch版 model.load_state_dict(torch.load(best_fashion_cnn.pth)) model.eval() # 获取所有测试样本的预测结果 all_preds [] all_labels [] with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 计算混淆矩阵 cm confusion_matrix(all_labels, all_preds) class_names [T-shirt, Trouser, Pullover, Dress, Coat, Sandal, Shirt, Sneaker, Bag, Ankle boot] plt.figure(figsize(10, 8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelsclass_names, yticklabelsclass_names) plt.title(Confusion Matrix) plt.ylabel(True Label) plt.xlabel(Predicted Label) plt.xticks(rotation45) plt.yticks(rotation0) plt.tight_layout() plt.savefig(confusion_matrix.png, dpi300) plt.show()技巧annotTrue, fmtd显示整数计数而非百分比符合课程设计对「绝对错误数」的分析需求cmapBlues避免红绿色盲争议plt.tight_layout()防止中文标签被截断。这张图可直接插入报告配合文字分析「Coat 与 Pullover 混淆率达 32%因两者轮廓相似且袖口细节模糊」。4.2 错误样本可视化找出模型「看走眼」的典型图像比准确率更有说服力的是展示模型把「Sandal」错判成「Sneaker」的原始图像。这能体现你对数据分布的理解深度# 找出预测错误的样本索引 error_indices np.where(np.array(all_preds) ! np.array(all_labels))[0] print(fTotal errors: {len(error_indices)}) # 可视化前10个错误样本 fig, axes plt.subplots(2, 5, figsize(12, 6)) axes axes.flatten() for i, idx in enumerate(error_indices[:10]): # 从test_dataset中获取原始图像未归一化 img, true_label test_dataset[idx] # 反归一化img img * std mean img img * 0.3081 0.1307 img np.clip(img, 0, 1) # 限制在[0,1] pred_label all_preds[idx] axes[i].imshow(img.squeeze(), cmapgray) axes[i].set_title(fTrue:{class_names[true_label]}\nPred:{class_names[pred_label]}, fontsize9) axes[i].axis(off) plt.suptitle(Top 10 Misclassified Samples, y1.02) plt.tight_layout() plt.savefig(misclassified_samples.png, dpi300) plt.show()血泪经验img.squeeze()是因为 Fashion-MNIST 是单通道imshow需要[H,W]而非[1,H,W]np.clip防止反归一化后像素值溢出[0,1]导致图像发白fontsize9确保双行标题在小图中清晰可读。这些细节决定答辩 PPT 的专业度。4.3 Grad-CAM 热力图可视化模型「关注点」验证决策逻辑合理性Grad-CAM 能回答「模型凭什么认为这是 Dress」——它生成热力图叠加在原图上显示模型决策依据的区域。这对课程设计中「模型可解释性」章节至关重要import cv2 class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.features None # 注册钩子 target_layer.register_forward_hook(self._save_features) target_layer.register_backward_hook(self._save_gradients) def _save_features(self, module, input, output): self.features output def _save_gradients(self, module, grad_input, grad_output): self.gradients grad_output[0] def __call__(self, input_img): self.model.eval() input_img input_img.unsqueeze(0).to(device) # [1,1,28,28] # 前向传播 output self.model(input_img) pred_class output.argmax(dim1).item() # 反向传播计算目标类别的梯度 self.model.zero_grad() output[0, pred_class].backward() # 权重计算 pooled_gradients torch.mean(self.gradients, dim[0, 2, 3]) for i in range(self.features.shape[1]): self.features[:, i, :, :] * pooled_gradients[i] # 全局平均池化得到热力图 heatmap torch.mean(self.features, dim1).squeeze() heatmap np.maximum(heatmap.cpu().detach().numpy(), 0) heatmap / np.max(heatmap) # 归一化到[0,1] return heatmap, pred_class # 使用最后一个卷积层conv3 gradcam GradCAM(model, model.conv3) # 对一个测试样本生成热力图 img, label test_dataset[0] heatmap, pred gradcam(img) # 反归一化原图 img_np img * 0.3081 0.1307 img_np np.clip(img_np, 0, 1).squeeze() # 调整热力图大小至28x28 heatmap_resized cv2.resize(heatmap, (28, 28)) # 叠加热力图 plt.figure(figsize(6, 3)) plt.subplot(1, 2, 1) plt.imshow(img_np, cmapgray) plt.title(fTrue: {class_names[label]}) plt.axis(off) plt.subplot(1, 2, 2) plt.imshow(img_np, cmapgray) plt.imshow(heatmap_resized, cmapjet, alpha0.5) plt.title(fPred: {class_names[pred]}) plt.axis(off) plt.tight_layout() plt.savefig(gradcam_example.png, dpi300) plt.show()避坑提示cv2.resize必须在heatmap归一化后进行否则插值会破坏热力图语义alpha0.5控制透明度确保底层图像纹理可见np.maximum(..., 0)截断负值因为 Grad-CAM 只关心正向激活区域。这张图能有力证明模型不是靠「猜」而是聚焦在服装的关键结构如 Dress 的裙摆轮廓。5. 避坑指南课程设计中最常踩的 5 个坑及血泪解决方案5.1 现象训练 loss 不下降始终在 2.3 左右震荡原因CrossEntropyLoss的输入是 raw logits未经过 softmax而你误传了F.softmax(outputs)。softmax 会压缩 logits 范围导致梯度消失。解决确认criterion(outputs, labels)中outputs是模型最后一层的直接输出无 softmax。PyTorch 的 CrossEntropyLoss 内部已包含 softmax显式调用是重复操作。5.2 现象验证准确率远高于训练准确率如 train_acc75%, val_acc92%原因model.eval()未在验证阶段调用导致 BatchNorm 和 Dropout 层仍处于训练模式统计量未冻结。解决验证前必须加model.eval()且验证结束后若需继续训练要补model.train()。可在validate()函数开头强制model.eval()结尾不恢复因训练循环中train_epoch()会主动调用model.train()。5.3 现象RuntimeError: size mismatch, m1: [128 x 6272], m2: [6272 x 512]原因卷积层输出尺寸计算错误view()时展平维度与全连接层输入不匹配。例如conv3输出[128, 14, 14]但pool3后应为[128, 7, 7]若pool3参数错写为kernel_size3则输出[128, 6, 6]128*6*64608 ≠ 6272。解决在forward中每层后加print(x.shape)或用torchsummary.summary(model, (1,28,28))查看各层输出尺寸。课程设计中建议手算一遍((282*2-5)/1 1)28 → ((28-5)/2 1)14 → ((142*1-3)/1 1)14 → 14/27。5.4 现象ValueError: Input 0 of layer conv2d is incompatible with layerKeras原因x_train未增加通道维度形状为[60000, 28, 28]但 Conv2D 要求[N, H, W, C]。解决务必执行x_train np.expand_dims(x_train, axis-1)。可在load_data()后立即检查print(x_train.shape)确认为(60000, 28, 28, 1)。5.5 现象Grad-CAM 热力图全黑或全白原因self.gradients为 None因未正确注册 backward hook或output[0, pred_class].backward()前未调用model.zero_grad()清空历史梯度。解决检查钩子注册语法是否为target_layer.register_backward_hook(self._save_gradients)确认backward()前有self.model.zero_grad()打印self.gradients形状应为[1, 128, 7, 7]若为None则钩子未触发。6. 课程设计加分技巧用 ONNX 导出模型并用 OpenCV DNN 模块部署推理6.1 将 PyTorch 模型导出为 ONNX 格式打通框架壁垒课程设计报告若加入「跨平台部署」章节能显著提升技术深度。ONNX 是通用中间表示可被 OpenCV、TensorRT 等工具加载# 导出为 ONNX需安装 onnx dummy_input torch.randn(1, 1, 28, 28).to(device) torch.onnx.export( model, dummy_input, fashion_cnn.onnx, export_paramsTrue, # 存储模型权重 opset_version11, # ONNX opset 版本11 兼容性好 do_constant_foldingTrue, # 优化常量 input_names[input], # 输入名 output_names[output], # 输出名 dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} # 支持动态 batch ) print(Model exported to fashion_cnn.onnx)参数说明opset_version11是 PyTorch 1.8 的推荐版本避免高版本 opset 在旧环境无法加载dynamic_axes允许推理时输入任意 batch size对课程设计中的单图 demo 更友好导出后可用onnx.checker.check_model(onnx.load(fashion_cnn.onnx))验证文件有效性。6.2 用 OpenCV DNN 模块加载 ONNX 并推理零依赖部署OpenCV 的cv2.dnn.readNetFromONNX可直接加载 ONNX 模型无需 PyTorch/TensorFlow 环境适合课程设计答辩现场演示import cv2 import numpy as np # 加载 ONNX 模型 net cv2.dnn.readNetFromONNX(fashion_cnn.onnx) # 预处理单张图像模拟 test_dataset[0] img, label test_dataset[0] img_np img.numpy().squeeze() # [28,28] img_np (img_np * 0.3081 0.1307) * 255 # 反归一化到[0,255] img_np np.clip(img_np, 0, 255).astype(np.uint8) # OpenCV DNN 要求 BGR 格式但灰度图可直接用 blob cv2.dnn.blobFromImage( img_np, scalefactor1.0/255.0, # 再次归一化因OpenCV不自动做 size(28, 28), mean0, swapRBFalse # 灰度图无需交换通道 ) # 推理 net.setInput(blob) preds net.forward() predicted_class np.argmax(preds) class_names [T-shirt, Trouser, Pullover, Dress, Coat, Sandal, Shirt, Sneaker, Bag, Ankle boot] print(fOpenCV DNN Prediction: {class_names[predicted_class]} (True: {class_names[label]}))关键点blobFromImage的scalefactor1.0/255.0是必须的因为 ONNX 模型权重是在[0,1]归一化下训练的size(28,28)必须与训练尺寸一致swapRBFalse因灰度图无 RB 通道。这段代码可独立运行证明你的模型已脱离训练框架具备工程化潜力。6.3 课程设计报告撰写技巧用「问题-方法-证据」结构组织技术章节我带过几届课程设计发现高分报告的共性不是代码多而是每个技术点都遵循「问题驱动」逻辑。例如在「模型选择」章节不要写「我用了 CNN 因为它很火」而要写问题Fashion-MNIST 图像尺寸小28×28全连接网络参数量大28×28×107840易过拟合且无法提取局部特征。方法采用 3 层卷积结构每层 kernel5通过 padding 保持尺寸stride2 实现下采样最终全连接层输入降至 128×7×76272参数量减少 19%。证据表1对比了 FCN 与 CNN 的 epoch-10 准确率FCN: 82.3%, CNN: 89.7%且 CNN 的 loss 曲线更平滑见图3。这种写法让老师一眼看出你思考过而不是复制粘贴。我在某高校课程设计评审中见过太多「代码堆砌型」报告最后一页才出现一张没标注的 loss 图——而真正拿优的报告每张图都有编号、标题、坐标轴标签且文字分析直指模型行为本质。希望帮到你。本文还有配套的精品资源点击获取