企业官网建设流程全解析

项目归纳（用于自己回忆项目内容）

项目目的：

面向移动端设备拍摄的实景图像，解决实际场景中标注样本稀缺、人工标注成本高的问题。采用伪标签半监督学习方案，利用少量标注样本搭配大量无标注实景图像完成 11 类物体分类。使用 ResNet18 骨干网络完成算法验证，缓解小样本场景下模型过拟合、泛化能力不足的问题。

项目过程：

1. 数据处理：图像统一缩放至 224×224；训练集使用随机增强，验证 / 无标签集关闭随机变换，规避数据泄露；
2. 工程封装：手写 PyTorch 自定义 Dataset、DataLoader，同时兼容有标签、无标签两套数据源；固定全局随机种子保证实验可复现；
3. 模型搭建：使用 ResNet18 骨干网络，加载 ImageNet 预训练权重完成迁移学习；
4. 半监督训练：模型对无标签数据推理，设置高置信阈值筛选可信伪标签样本，迭代扩充训练集辅助训练；
5. 训练流程：交叉熵损失，SGD 优化，保存最优验证精度模型，绘制 acc/loss 训练曲线；
6. 工程排错：修复伪标签索引错乱、种子不生效、transform 混用带来的评估失真 bug。

项目经历（放在简历描述）

基于伪标签半监督学习的移动端实景物体分类模型 | 项目负责人

项目介绍：

针对移动端采集实景图像时人工标注代价高、标注样本不足的现实问题，构建伪标签半监督图像分类方案。依托少量标注样本结合大量无标注实景图像，实现 11 类实景物体分类。采用 ResNet18 骨干网络完成算法验证；从零搭建 PyTorch 深度学习流水线，完成图像预处理、自定义数据集封装、迁移学习建模、高置信伪标签筛选、训练验证可视化全流程开发，提升小样本场景下模型分类精度与鲁棒性。

技术栈：

Python、PyTorch、Torchvision、NumPy、PIL、Matplotlib

核心技术： 图像数据增强、图像标准化、自定义 Dataset、ResNet18 迁移学习、伪标签半监督学习、高置信样本过滤、全局随机种子固定、SGD、交叉熵损失、训练过程可视化

项目成果：

1. 实现同时支持有标签、无标签样本的数据流水线，充分挖掘无标注图像价值，缓解标注样本不足的困境；
2. 设置高置信度阈值筛选伪标签，过滤低置信噪声样本，避免错误标签污染模型参数；
3. 基于 ResNet18 结合迁移学习，在小样本条件下取得较好识别效果，完成半监督算法有效性验证；
4. 工程层面固定全链路随机种子，严格区分训练 / 验证预处理逻辑，保存最优模型并可视化训练指标，整套实验可复现。

项目亮点：

1. 重视实验可复现性：设置全局随机种子，固定 numpy、python、pytorch、cuda、cudnn 全部随机源，消除增强、权重初始化、GPU 计算带来的随机波动；
2. 伪标签做高置信过滤，不盲目使用全部无标签样本，宁可少选不引入噪声，解决半监督学习里噪声标签损害模型的经典问题；
3. 预处理逻辑严格隔离：训练集开启随机增强，验证集、无标签集只做固定变换，不引入随机扰动，防止数据泄露，保证评估指标真实可信；
4. 使用残差网络 ResNet18，依靠残差结构缓解深度网络梯度消失问题，配合迁移学习，小样本任务收敛效果稳定。

复试口述

老师你好，我的项目是基于伪标签半监督学习的移动端实景物体分类，主要解决移动端采集图像时标注样本少、人工标注成本高的问题。 传统全监督图像分类很依赖大量标注数据，但移动端实景图像标注成本很高，所以我采用监督 + 伪标签半监督的训练范式，同时使用少量标注样本和大量无标注图像共同训练。

数据层面，我手写自定义 Dataset，分别封装训练、验证、无标签数据集，图像统一调整到 224×224。训练集使用随机裁剪、随机旋转做数据增强，提升模型鲁棒性；验证集和无标签数据关闭所有随机变换，保证评估客观。同时配置全局随机种子，保证实验能够复现。

半监督是本项目核心：每轮训练之后，用当前模型对无标签图像做推理，把 softmax 之后概率高于设定阈值的样本筛选出来，生成伪标签并入训练集，迭代辅助模型训练，充分利用无标注数据。

模型上选用 ResNet18，利用残差块结构缓解深度网络梯度消失；加载 ImageNet 预训练权重做迁移学习，借助预训练学到的通用视觉特征加快收敛，提升小样本下的识别效果。

训练上使用交叉熵损失、SGD 优化器，保存验证集精度最高的模型，绘制 loss 和准确率曲线，完成从数据处理、建模、半监督迭代到结果分析的完整深度学习流程。通过这个项目，我不仅掌握图像分类、迁移学习、伪标签半监督的原理，也建立起深度学习实验工程的规范意识。

面试问答

技术栈问答

Q：项目里各个库分别做什么？A：Python 作为基础开发语言；PIL 负责图像读取、尺寸变换；NumPy 做图像数组运算；Torchvision 提供图像 transform、ResNet18 预训练模型；PyTorch 负责自定义 Dataset、搭建网络、训练循环、反向传播、模型保存；Matplotlib 用来绘制损失、准确率变化曲线。

Q：Torchvision 的 transform 你是怎么区分训练和验证集的？为什么要这么做？A：训练集加入随机裁剪、随机旋转等随机增强；验证集、无标签数据集只用 Resize、Normalize，不使用任何随机操作。 训练集随机增强用来模拟真实场景的视角、光照变化，扩充虚拟样本，对抗过拟合；验证集不能带随机变换，否则每次输入图像不一样，指标会波动失真，无法客观衡量模型真实性能。

项目基础问答

Q：简单介绍你的项目。A：这是面向移动端实景图像的半监督物体分类任务。移动端拍摄的实景图像标注成本高、标注样本有限，我使用少量标注样本，搭配大量无标注图像，用伪标签的方式扩充训练数据；选用 ResNet18 残差网络，结合数据增强、迁移学习、高置信伪标签过滤，完成 11 类实景物体分类，解决小样本容易过拟合、泛化差的问题。

Q：为什么选用半监督，直接只用标注样本不行么？A：只用少量标注样本做全监督训练，模型很容易记住训练图像的细节，发生过拟合，在测试图像上效果差。移动端场景下大量无标注图片很容易获取，半监督可以挖掘无标注数据的信息，提升模型泛化能力，更贴近真实业务场景。

Q：数据集是什么情况？A：数据集分为三部分：少量人工标注训练集、独立标注验证集，还有大量没有标签的移动端实景图像；一共 11 类物体，图像存在光照、角度、拍摄设备带来的差异，对模型鲁棒性有一定要求。

Q：项目的主要难点是什么？A：第一是标注样本少，小样本训练极易过拟合；第二是伪标签自带噪声，如果直接全部使用无标签数据，错误标签会误导模型；第三是图像增强、GPU 计算存在随机性，如果不控制，实验结果不可复现。

数据与工程相关

Q：为什么要固定全局随机种子？哪些地方会产生随机性？A：为了保证实验可复现。随机性来源包括：数据集 shuffle、随机图像增强、网络权重初始化、CUDA 卷积运算。只固定一个种子不够，需要同时固定 python、numpy、pytorch、cuda，并且开启 cudnn 确定性模式，保证每次运行实验结果一致。

Q：数据集划分和 dataloader 的 shuffle 怎么设置？A：训练集 shuffle=True，打乱样本顺序，避免模型学到样本顺序带来的偏见；验证集、无标签数据集 shuffle=False，保证样本索引固定，伪标签能够和图像一一对应，评估结果稳定可复现。

Q：图像标准化 Normalize 的均值方差是哪里来的，会不会出现数据泄露？A：使用 ImageNet 数据集统计得到的均值和方差，迁移学习场景直接使用预训练模型配套的统计参数，不需要自己从本项目训练集统计，不存在泄露；如果是从零训练 CNN，统计量只能在训练集计算，验证、测试集直接复用。

Q：数据增强一定越多越好吗？A：不是。增强需要贴合真实业务场景，如果增强出来的图像和真实样本分布差距过大，相当于引入噪声，反而会降低精度。本项目只选用旋转、裁剪这类符合真实拍摄情况的增强。

模型、迁移学习

Q：讲一下 ResNet18 迁移学习你是怎么做的？A：加载 ImageNet 预训练的 ResNet18 权重，替换最后的全连接分类头，修改输出维度为 11，对应物体类别数。我采用微调的训练方式，利用预训练学到的底层纹理、边缘等通用视觉特征，再适配本项目的分类任务，小样本场景下效果远好于从零训练。

Q：ResNet 残差块的核心思想是什么，解决了什么问题？A：引入短路连接，把输入直接加到卷积层的输出上。解决深度网络训练时的梯度消失问题，让深层网络可以收敛，能够训练更深的网络。

Q：迁移学习为什么效果好？预训练学到了什么？A：在大规模 ImageNet 数据集上预训练，网络浅层学到边缘、纹理、颜色，中层学到局部形状，高层学到物体部件等通用视觉模式。迁移到本任务，不需要从零学习基础图像特征，只需要适配本项目的类别，小样本场景收敛更快、泛化更强。

Q：为什么用交叉熵损失，适合什么场景？A：交叉熵损失用于多分类任务，对分类概率分布做约束；配合 softmax，衡量预测类别分布和真实标签之间的差距，梯度计算稳定，适合图像分类任务。

Q：model.train ()、model.eval ()、torch.no_grad () 分别作用，伪标签推理阶段怎么设置？A：model.train () 训练模式，启用 dropout、bn 训练逻辑，开启梯度；model.eval () 评估模式，bn、dropout 切换为推理模式；torch.no_grad () 关闭计算图，不保存梯度，节省显存。 伪标签推理的时候，需要同时使用 model.eval () 加上 torch.no_grad ()，不更新参数，只做预测。

Q：怎么保存最优模型？A：每个 epoch 结束在验证集上计算分类准确率，只保存验证准确率最高的权重，不直接保存最后一轮 epoch 的模型，避免保存过拟合的权重。

半监督伪标签（核心高频）

Q：什么是伪标签，你的伪标签实现思路？A：伪标签就是模型对无标签图像推理得到的预测类别。将无标签图片送入模型，输出 logits 经过 softmax 得到每一类概率；设置置信阈值，只有最大类别概率大于阈值，才把该类别作为伪标签，把这部分样本加入训练集参与后续迭代训练。

Q：为什么要设置置信阈值？阈值设置太高或者太低会怎么样？A：伪标签会存在错误预测，也就是噪声标签。阈值太低，大量置信度低的错误样本被加入训练，噪声会污染模型，精度下降；阈值太高，筛选出来的样本数量很少，半监督带来的增益就会很小。本项目经过对比实验选择合适阈值，做到样本数量和样本质量之间权衡。

Q：伪标签迭代训练，会不会出现模型越训越差，模型把错误伪标签不断强化的情况？怎么缓解？A：会存在这个风险，也就是噪声累积。我主要用几个手段缓解：第一高置信过滤，尽量少引入错误标签；第二每一轮重新对无标签集推理生成伪标签，不使用上一轮的旧伪标签；第三依然保留原始标注样本参与每一轮训练，保证真实标签的监督信号始终存在。

Q：伪标签和自监督学习有什么简单区别？A：伪标签属于半监督，依赖模型输出的预测类别作为监督信号，需要一部分标注样本初始化模型；自监督不需要标签，通过构造图像本身的代理任务，比如图像旋转、拼图，让网络自己学习特征，不需要外部标签。

拔高、项目反思

Q：本项目中如何对抗过拟合？A：1）数据增强，虚拟扩充训练样本；2）迁移学习，利用大规模预训练特征；3）伪标签只选用高置信样本，减少噪声干扰；4）保存验证集最优模型，避免过拟合权重。

Q：这个项目还有哪些改进方向？A：1）可以尝试更强的半监督算法，比如 FixMatch，强增强 + 弱增强的一致性约束； 2）引入早停策略，验证集精度长期不提升就终止训练，防止过拟合； 3）后续可以替换 MobileNet 系列轻量网络，为实际移动端部署做准备； 4）做 K 折交叉验证，让实验评估结果更加可靠。

Q：做完这个项目你的收获？A：一方面掌握图像分类、残差网络、迁移学习、伪标签半监督的原理与代码实现；另一方面意识到深度学习实验工程规范的重要性，比如控制随机性、区分训练评估预处理、处理标签噪声，这些对得到可信实验结果至关重要。

面试小提示：面试官问 “为什么叫移动端实景图像”，你就回答：数据集图片来源于手机拍摄，是手机采集来的图像，实验先用 ResNet18 完成算法验证，后续可更换轻量网络做部署，不说自己已经部署完成。