PyTorch CNN 改进：全局平均池化与 CIFAR10 测试分析
昨天我们基于 CIFAR10 数据集搭建基础 CNN 并完成训练，今天继续对模型进行结构优化（引入全局平均池化），同时开展测试阶段的细致性能分析～
一、网络优化：全局平均池化（Global Average Pooling）的引入
在深度学习中，全局平均池化（GAP） 常被用于替代 “全连接层前的展平 + 大参数量全连接” 结构，优势显著：
- 减少参数量：大幅降低模型复杂度，缓解过拟合风险；
- 保留全局特征：对整个特征图做平均，能捕获全局空间信息，提升泛化能力。
我们重新定义Net类来实践这一改进：
python
运行
import torch.nn as nn
import torch.nn.functional as F
# 自动选择设备（GPU优先，无GPU则用CPU）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")class Net(nn.Module):def __init__(self):super(Net, self).__init__()# 前两层卷积+池化（结构与基础CNN类似）self.conv1 = nn.Conv2d(3, 16, 5) # 输入3通道，输出16通道，卷积核5×5self.pool1 = nn.MaxPool2d(2, 2) # 最大池化，核2×2、步长2self.conv2 = nn.Conv2d(16, 36, 5) # 输入16通道，输出36通道，卷积核5×5self.pool2 = nn.MaxPool2d(2, 2) # 第二次最大池化# 核心改进：全局平均池化层self.aap = nn.AdaptiveAvgPool2d(1) # 自适应将特征图压缩为1×1# 简化的全连接层（因GAP后特征维度固定，参数量骤减）self.fc3 = nn.Linear(36, 10) # 输入36（GAP后每个通道的平均值），输出10类（匹配CIFAR10）def forward(self, x):x = self.pool1(F.relu(self.conv1(x)))x = self.pool2(F.relu(self.conv2(x)))x = self.aap(x) # 全局平均池化x = x.view(x.shape[0], -1) # 展平（保留批量维度，压缩特征维度）x = self.fc3(x)return xnet = Net()
net = net.to(device) # 将模型部署到指定设备
参数量对比：改进后模型总参数量仅约 1.6 万（此前基础 CNN 参数量约 17 万），参数量减少超 90%，模型更轻量化。
二、模型测试：从 “整体准确率” 到 “类别级准确率” 的深度分析
训练完成后，需在测试集验证模型性能。我们不仅要关注整体准确率，还要分析每个类别上的表现（模型对不同类别易出现 “偏科”）。
1. 整体测试集准确率
遍历测试集所有样本，统计预测正确的比例：
python
运行
correct = 0
total = 0
with torch.no_grad(): # 测试阶段无需计算梯度，加速运算for data in testloader:images, labels = dataimages, labels = images.to(device), labels.to(device)outputs = net(images)# 取预测概率最大的类别_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print('测试集整体准确率: %d %%' % (100 * correct / total))
输出结果（示例）：测试集整体准确率: 66 %轻量化模型在 10000 张测试图像上达到 66% 准确率，性能与复杂度的平衡尚可。
2. 类别级准确率分析
进一步统计每个类别的预测准确率，可细致发现模型的 “强项” 与 “弱项”：
python
运行
# 初始化每个类别的正确数与总数
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():for data in testloader:images, labels = dataimages, labels = images.to(device), labels.to(device)outputs = net(images)_, predicted = torch.max(outputs, 1)# 逐样本判断是否预测正确c = (predicted == labels).squeeze()for i in range(4): # 每批处理4张图像（batch_size=4）label = labels[i]class_correct[label] += c[i].item()class_total[label] += 1# 打印每个类别的准确率
classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')
for i in range(10):print('类别 %5s 的准确率: %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))
输出结果示例（因训练细节略有差异）：
plaintext
类别 plane 的准确率: 72 %
类别 car 的准确率: 82 %
类别 bird 的准确率: 51 %
类别 cat 的准确率: 45 %
...（其余类别省略）
从结果可观察到：
- 模型对 car（汽车） 这类物体的识别准确率最高（82%），说明特征提取对 “汽车” 的模式捕捉更到位；
- 对 cat（猫） 的识别准确率较低（45%），可能因 “猫” 的形态多样（姿态、毛色等），增加了识别难度；
- 不同类别准确率的差异，也反映了 CIFAR10 数据集中各类别样本的 “易区分度” 不同。
三、改进思考：全局平均池化的价值
对比昨天的 “基础 CNN”（参数量大、全连接层复杂），今天的改进有两大明显优势：
- 模型更轻量：参数量从 17 万 + 骤减到 1.6 万，训练 / 推理速度更快，且更难过拟合；
- 特征更全局：全局平均池化替代 “展平 + 大全连接”，能更好利用特征图的全局信息，一定程度提升泛化性。
当然，准确率仍有提升空间（如增加训练轮次、加入数据增强、调整网络深度等），但从 “结构简化 + 性能平衡” 的角度，全局平均池化是非常实用的改进技巧～
通过今天的实践，我们不仅优化了网络结构，还学会了从 “整体 + 类别” 两个维度分析模型性能 —— 这对深度学习任务的迭代优化至关重要～