简介：以AlexNet模型为核心的花卉分类实战项目，面向深度学习初学者及图像分类开发者，解决从数据准备、模型训练到结果预测的全流程实践难题，并支持通过替换数据集快速迁移到其他分类任务。压缩包共2000个文件，整体约270.61MB，主要包含1995张花卉图片、4个Python脚本和1个JSON配置文件。其中model.py定义网络结构，train.py负责加载数据并启动训练，predict.py完成单图或批量的分类预测，class_indices.json则记录类别与索引映射；图片数据可直接用于训练与验证，结构清晰便于二次修改。目前已有119人学习，适合想通过项目实战理解AlexNet卷积层、全连接层、ReLU与Dropout机制的用户。按照资源内代码与目录组织，读者可完成完整训练流程，掌握保存与恢复模型参数的方法，并将同一套方案应用到更多图像分类领域。 这批花真是把我折磨得不轻。前阵子接到个图像分类的需求，数据集是常见的花卉图片，要求先把整条流程跑通，后面还要能无缝换成客户自己的数据。我第一反应就是拿AlexNet当基线。别嫌它老，这网络放到今天做中小规模分类依然是块好用的试金石：结构简单、显存占用不高、思路清晰，模型出问题了好排查，跑一版基线快得很。这篇文章就把这个项目从数据准备、网络搭建、训练评估，到怎么把数据集替换成你自己的，完整过一遍，代码都是可以直接抄作业的级别。
1. 项目整体设计与思路拆解
1.1 为什么选AlexNet做花卉分类基线
选AlexNet不是因为新潮，恰恰是因为它足够经典。花卉分类这种任务的特点是：类别之间差异细腻，但图像本身结构相对固定，背景复杂度和类别数都比ImageNet低一个量级。用ResNet、EfficientNet当然可以，但模型复杂度上去了，训练时间变长，调参成本也高。对一个需要快速验证效果的基线项目来说，AlexNet在精度和效率之间拿捏得刚刚好。
另外它特别适合作为教学和工程起步的骨架。AlexNet整条前向传播路径很直白：先是卷积层抓局部特征，再通过全连接层做高阶语义组合，最后接softmax输出类别概率。出了问题你一眼就能定位是特征提取环节还是分类器环节的事。换成自己的数据集时，只需要改动最后一层的输出维度，其余结构不用动，这个特性在实际项目里非常省事。
1.2 数据集方案与项目结构规划
花卉分类的数据集我建议直接用两种方案：一是公开数据集如Oxford 102 Flower或17 Category Flower，二是自己拍或者爬整理出来的图片集。刚开始别贪多，每个类别先凑100-200张图，把流程跑通再说。数据集的组织形式直接决定代码复杂度，我强烈建议统一用ImageFolder的标准目录结构：
flower_data/ ├── train/ │ ├── rose/ │ │ ├── 001.jpg │ │ └── 002.jpg │ ├── sunflower/ │ └── daisy/ └── val/ ├── rose/ └── sunflower/这种结构最大的好处是PyTorch的torchvision.datasets.ImageFolder可以直接读，类别名从子目录名自动生成，不需要手写label映射表。整个项目的目录规划大致是：
alexnet_flower/ ├── data/ # 存放数据集 ├── models/ # 网络定义 │ └── alexnet.py ├── train.py # 训练脚本 ├── predict.py # 单张图片预测 └── requirements.txt2. 数据集准备与预处理细节
2.1 目录结构与类别映射原理
ImageFolder的机制值得说透：它会扫描根目录下的每个子文件夹，按文件夹名字母顺序排序，自动分配label索引。这个顺序容易踩坑，比如daisy、rose、sunflower按字母排下来，索引分别是0、1、2。如果后续你自己写预测脚本，一定要保证类别索引映射和训练时一致，最稳妥的做法是把dataset.class_to_idx保存成json文件，预测时直接加载。
另外数据清洗往往被忽略。我拿到手的数据集里经常混着损坏图片、重复图片和完全不相关的图。建议先写一段脚本，用PIL.Image.open逐个尝试打开，捕获异常把打不开的文件列出来删掉。这一步看着笨，却能省下后面训练时反复报错的烦恼。
2.2 数据增强与归一化参数选择
AlexNet论文里输入是224x224，但原版训练时会先resize到256然后随机裁剪224。这个策略我会保留，因为它等于在训练时给模型看了原图不同位置的局部内容，相当于免费扩充了数据。完整的数据增强配置我这样写：
from torchvision import datasets, transforms transform_train = transforms.Compose([ transforms.Resize(256), transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) transform_val = 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]) ])归一化用的mean和std是ImageNet的标准值，如果你换自己的数据集且图片风格差异很大，建议在训练集上重新统计一遍。但现实情况是，大多数自然图像用ImageNet的统计值都能正常工作。验证集只做CenterCrop不做随机增强，这个区别很重要，否则验证指标会忽高忽低，失去参考意义。
3. AlexNet核心结构与关键代码实现
3.1 网络结构逐层拆解
AlexNet整体是5个卷积层加3个全连接层。前两层卷积后面跟了局部响应归一化（LRN）和最大池化，中间三层卷积直接相连，最后接最大池化。这几个设计在当年都是很前卫的：
- 卷积核大小从11x11、5x5、3x3逐渐缩小，对应从抓全局轮廓到抓局部纹理的过渡。
- ReLU激活函数解决深层网络梯度饱和问题，训练速度快很多。
- Dropout只加在全连接层，且概率设为0.5，因为全连接层参数量巨大，最容易过拟合。
- 原版用了两块GPU并行训练，现在单卡显存足够，可以不考虑这个分支逻辑。
动手实现时有个关键点很容易被忽视：原版第一层卷积的感受野很大，stride=4，这对于分辨率较低的图片会把细节一下子冲掉。所以如果你的数据集图片只有128x128左右，建议把第一层stride改成2，或者干脆把输入resize到224再送进去。我这次数据集图片比较大，就保持了原版参数。
3.2 PyTorch实现与动态类别数适配
直接给一个完整可用的PyTorch版本：
import torch.nn as nn class AlexNet(nn.Module): def __init__(self, num_classes=1000): super(AlexNet, self).__init__() self.features = nn.Sequential( nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(96, 256, kernel_size=5, stride=1, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(256, 384, kernel_size=3, stride=1, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 384, kernel_size=3, stride=1, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, stride=1, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), ) self.avgpool = nn.AdaptiveAvgPool2d((6, 6)) self.classifier = nn.Sequential( nn.Dropout(0.5), nn.Linear(256 * 6 * 6, 4096), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, num_classes), ) def forward(self, x): x = self.features(x) x = self.avgpool(x) x = torch.flatten(x, 1) x = self.classifier(x) return x这里有个细节值得展开：原版AlexNet全连接层前接的是展平后的特征图，尺寸必须是固定的。我用了AdaptiveAvgPool2d((6, 6))替代原版的直接展平，好处是输入图片尺寸即使不是224，只要接近，也能自适应地池化成6x6再进全连接层。这样模型对输入尺寸的容忍度高了不少。
num_classes参数就是为换数据集留的口子。实例化的时候直接从数据集的类别数读取：
num_classes = len(train_dataset.classes) model = AlexNet(num_classes=num_classes)这样无论你的数据集是3类还是102类，模型都能自动适配，不需要改网络结构。
4. 训练流程、超参数配置与评估
4.1 超参数配置思路
训练超参数我实测下来有一组比较稳的配置：优化器用SGD，momentum设为0.9，weight_decay设为5e-4，初始学习率0.001，batch size看显存情况选32或64，训练30-50个epoch。这组参数不是拍脑袋定的，和AlexNet原论文一脉相承。
学习率策略我建议用StepLR，每10个epoch把学习率乘以0.1。实际训练中你会发现，到后期loss下降很慢，这时候把学习率降一档，loss经常能再往下走一段。另外不要一开始就用Adam。Adam收敛快但容易收敛到泛化性能不那么好的点，SGD配合动量虽然看着慢，但最终精度往往更高，尤其对于这种中小规模数据集。
训练循环里有两个关键点务必注意：第一，训练模式下要调用model.train()，验证模式下要调用model.eval()，这会切换Dropout和BatchNorm的行为。第二，验证阶段用torch.no_grad()包裹，否则会额外占用显存，还可能因为保存计算图导致内存暴涨。
4.2 训练主循环与评估指标解读
训练主循环给个精简版本：
import torch import torch.nn as nn from torch.utils.data import DataLoader device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = AlexNet(num_classes=num_classes).to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=5e-4) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4, pin_memory=True) val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4, pin_memory=True) best_acc = 0.0 for epoch in range(30): model.train() running_loss = 0.0 for images, labels in train_loader: 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() * images.size(0) scheduler.step() epoch_loss = running_loss / len(train_dataset) model.eval() correct = 0 total = 0 with torch.no_grad(): for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = 100.0 * correct / total print(f"Epoch {epoch+1:02d} | Loss: {epoch_loss:.4f} | Val Acc: {val_acc:.2f}%") if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), "best_model.pth")评估指标上，除了准确率，我建议再关注每个类别的召回率。花卉分类场景里类别不均衡很常见，比如某个品种图片特别少，整体准确率可能被多数类带高，但这种模型对少数类几乎不可用。训练结束后写个小脚本，把验证集的混淆矩阵打印出来，一眼就能看出哪些类别之间互相混淆，比如玫瑰和月季这种视觉上极接近的品种，这时候就需要增加对应类别的样本量，或者调整数据增强的强度。
上一步模型保存要注意：只保存state_dict()而不是整个模型，这样后续加载时结构变了也能灵活适配。加载时要先实例化模型再load_state_dict。
5. 换用自己的数据集：方法与常见问题实录
5.1 数据集替换的核心操作
换数据集的流程其实已经被前面的代码设计好了，核心就三步：
- 把你的图片按类别放到
data/train/{类别名}/和data/val/{类别名}/目录下。 - 确保所有图片格式统一，jpg、png都行，但最好统一一种，省得处理通道数不一致的麻烦。
- 运行脚本时确认
num_classes自动变成你的类别数。
不过有几类特殊情况需要特殊处理。如果图片数量特别少，比如每个类别只有三五十张，直接硬训AlexNet几乎必然过拟合。这种情况建议先用ImageNet上预训练好的AlexNet权重初始化，只随机初始化最后一层，然后以较小的学习率0.0001微调整个网络。PyTorch加载预训练权重的方式很简单，注意要过滤掉最后一层：
import torchvision.models as models pretrained = models.alexnet(weights=models.AlexNet_Weights.IMAGENET1K_V1) model_dict = model.state_dict() pretrained_dict = {k: v for k, v in pretrained.state_dict().items() if k in model_dict and "classifier.6" not in k} model_dict.update(pretrained_dict) model.load_state_dict(model_dict)如果图片是灰度图，比如一些老照片数据集，加载时会报通道不匹配。解决办法是读图后用convert("RGB")转成三通道，或者把第一层卷积的in_channels改成1并重新初始化该层参数。
5.2 常见问题与排查技巧实录
训练过程中我遇到的坑不少，整理几个最常见的：
loss不降反升。先检查数据和标签的对应关系。比如ImageFolder按字母序分配label，如果你的目录结构和预期不一致，模型学到的就是错误映射关系。这种问题通常loss一开始就不正常，不会降。再看学习率，0.001不行就降到0.0001试试。
训练集准确率高但验证集准确率低。这是典型的过拟合。优先增加Dropout强度，或者把数据增强开猛一点，比如加上RandomRotation(15)和随机擦除。如果是小数据集，考虑用预训练权重微调，别从头训练。
显存不足。最简单粗暴的方法是batch size从64降到32或16。还可以把输入图片从224x224降到128x128，AlexNet对输入尺寸的适应性比想象中强，只是精度会稍有损失。另外num_workers不要开太大，4或者8足够，太大反而可能因为系统调度问题拖慢速度。
训练到一半loss变成NaN。大概率是学习率过高导致梯度爆炸。先降学习率，再检查数据里有没有异常值。还有一种情况是数据归一化参数写错，输入变成很大的负数，激活值异常。
换成自己数据集后准确率只有百分之十几。这个大概率是数据集和预训练模型分布差异太大，或者类别数远大于样本量。我的建议是先别追求精度，把数据做了可视化检查：随机抽几十张训练图片看有没有贴错标签、有没有加载成黑白、有没有resize变形。数据问题的优先级永远高于调参。
6. 一点心得写在后头
AlexNet跑花卉分类这个项目做完之后，我最大的体会就是：经典结构比花哨结构更容易定位问题。很多新手一上来就挑战Swin Transformer，结果网络结构本身就把人绕晕了，出了问题根本不知道是数据的事还是模型的事。从小而可靠的网络开始，把数据流程、训练逻辑、评估方法吃透，再迁移到复杂模型，这条路快得多。
最后再说一个实用小技巧：训练脚本里把每个epoch的损失和准确率写入CSV文件，训练完直接画学习曲线。这个东西的价值在于你能直观看到模型是否还在学习、学习率降的时机是否合适，甚至可以和之后的实验做对比。很多时候调参不是靠感觉，就是靠这些不起眼的记录。
这个项目往下的扩展方向也很多，比如把features部分换成ResNet或者MobileNet的骨干网络做对比实验，再比如用Flask封装一个上传图片返回分类结果的服务。骨架已经打好了，换起来都不难。
本文还有配套的精品资源，点击获取
