用预训练模型识别图像
这是什么：预训练模型（pre-trained model） = 别人在海量数据上训好、免费公开的模型，你拿来直接用。
为什么用：上一章看懂了 CNN 如何从边缘学到物体。但从零训练一个大 CNN 需要上百万张标注图和好几天的 GPU——零基础的我们怎么办？答案是站在巨人的肩膀上。
如何用：本章先讲清"预训练 + 微调"这套组合，再装好 PyTorch，十几行代码识别一张图。
预训练 + 微调
预训练（pre-training）：研究者把模型在海量数据（如 ImageNet：128 万张图、1000 个类别）上训好并免费公开。此时模型已认得边缘、纹理、零件——而底层能力是通用的，任何看图任务都用得上。
微调（fine-tuning）：拿到预训练模型后，把最后那层"宣布答案"的全连接层换成你自己的（比如 3 类宠物），再用你那几百张图小规模训几轮。底层基本不动，只学"怎么把认得的零件拼成你的类别"。
这就是迁移学习：大数据学通用，小数据学专用。
为什么迁移学习能用？
| 维度 | 从零训练 | 预训练 + 微调 |
|---|---|---|
| 数据需求 | 100 万+ 张标注图 | 几百~几千张即可 |
| 训练时间 | 几天到几周（需 GPU 集群） | 几分钟到几小时（单卡可跑） |
| 底层特征 | 自己学边缘、纹理 | 直接复用已学好的边缘、纹理 |
| 适合场景 | 有海量数据和算力 | 绝大多数中小型看图任务 |
安装工具
PyTorch 是目前最流行的深度学习框架，torchvision 是它的图像工具包：
pip install torch torchvision（安装包较大，需要几分钟）
十几行代码识别一张图
用预训练 ResNet18 识别一张图片（把 cat.jpg 换成你自己的图）。首次运行会自动下载约 45 MB 的模型文件，请耐心等待；输出为示意，你的类别名和百分比会略有不同：
import torch
from PIL import Image
from torchvision import transforms
from torchvision.models import resnet18, ResNet18_Weights
# 1. 加载 ImageNet 预训练模型，并切换到"只预测"模式
weights = ResNet18_Weights.DEFAULT
model = resnet18(weights=weights).eval()
# 2. 预处理：按模型当初"吃饭的口味"处理图片（缩放、归一化）
preprocess = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]),
])
# 3. 读图 → 预处理 → 加一维变成"一批 1 张"
img = Image.open("cat.jpg").convert("RGB")
batch = preprocess(img).unsqueeze(0)
# 4. 预测，并把原始分数变成概率
with torch.no_grad():
probs = model(batch).softmax(dim=1)
# 5. 取概率最大的前 5 名
top = probs[0].topk(5)
for score, idx in zip(top.values.tolist(), top.indices.tolist()):
print(f"{weights.meta['categories'][idx]}: {score:.1%}")
你会看到（输出为示意）：
Egyptian cat: 84.3%
tabby: 7.2%
tiger cat: 4.1%
lynx: 1.6%
Persian cat: 0.9%十几行，模型就认出了"这是一只猫"——完全没有自己训练。
代码在做什么
| 代码 | 作用 |
|---|---|
ResNet18_Weights.DEFAULT |
指定官方最新的预训练权重 |
.eval() |
切到推理模式，关掉只在训练时用的行为（如 Dropout、BatchNorm 的训练模式） |
Normalize(...) |
用训练时同样的均值方差归一化（呼应第 1 章） |
unsqueeze(0) |
单图变一批：〔通道, 高, 宽〕→〔1, 通道, 高, 宽〕 |
softmax |
把任意分数变成总和为 1 的概率 |
topk(5) |
取概率最大的 5 个类别 |
torch.no_grad() |
推理时不计算梯度，省显存和时间 |
❓ 常见问题
Q1：首次运行下载模型很慢，能离线吗？
可以。先在有网的机器运行一次，模型权重会缓存到 ~/.cache/torch/hub/checkpoints/，之后拷贝到无网环境也能用。
Q2：ResNet18 识别不了我自己的分类（如"我的两只猫"）？
ResNet18 训练的是 ImageNet 的 1000 类（有猫狗车等通用类别），但没有"你家的黑猫""你家的白猫"这种细分。这时候需要第 4 章《实战：微调出自己的图片分类器》。
Q3：为什么 cat.jpg 必须转 RGB？
有些 PNG 是透明通道（RGBA），有些 JPG 本身就是 RGB。.convert("RGB") 统一成 3 通道，避免模型输入通道数不匹配报错。
⚠️ 新手翻车现场
翻车一：忘记 .eval()
# 错误：直接用 model，没调 eval()
model = resnet18(weights=weights)
probs = model(batch).softmax(dim=1)
问题：模型还在训练模式，Dropout 会随机丢弃神经元，BatchNorm 会用当前 batch 的统计量，导致同一张图多次推理结果不一样。
修正：推理前务必调 .eval()，并配合 torch.no_grad()。
翻车二：图片没归一化就直接喂模型
# 错误：只 ToTensor()，没 Normalize()
preprocess = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(), # 只把 0~255 变成 0~1，没按 ImageNet 均值方差标准化
])
问题：模型是用 ImageNet 的均值方差训练的，输入没有同样的归一化，预测结果会很差。
修正：加上 transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])。
🎯 什么时候用预训练模型
- 自己没有上百万张标注图
- 没有 GPU 集群，只能用单卡甚至 CPU
- 任务是通用的图像分类（猫狗、车、花、食品等）
- 需要快速原型，先跑通效果再说
📝 本章小结
- 预训练模型 = 别人在海量数据上训好的通用视觉能力
- 微调 = 换最后一层，用少量数据学自己的类别
- ResNet18 是经典轻量模型，适合入门
- 推理前务必
.eval()+torch.no_grad()，输入要按 ImageNet 标准归一化 - 记忆口诀：预训练学通用，微调学专用；预处理照原样，eval 配 no_grad。
动手改
- 找 3 张不同物体的照片各识别一次，看看第一名准不准
- 把
topk(5)改成topk(1)，只输出最可能的类别和概率 - 思考：如果任务是识别"自家两只猫"，哪些层可以原样保留？哪一层必须换掉？
下一章：实战：训练自己的图片分类器，亲手微调出属于你的模型 🐸