图像增广 Image Augmentation
通过“随机改造”训练图片，让模型学会真正理解目标，而不是死记硬背训练集。
翻转和裁减
import torch
import torchvision
from torch import nn
from d2l import torch as d2l
d2l.set_figsize()
# 打开图像
# 这里我们使用了d2l库中的Image类来打开图像文件。你需要确保在当前目录下有一个名为'img'的文件夹，并且里面有一张名为'cat1.jpg'的图片。
# 打开图像后，我们可以使用d2l.plt.imshow()函数来显示图像，并使用d2l.plt.show()函数来展示图像窗口。
img = d2l.Image.open('./img/cat1.jpg')
# d2l.plt.imshow(img);
# d2l.plt.show()
# 定义一个函数来展示增强后的图像
# 参数img是输入图像，aug是图像增强方法，num_rows和num_cols分别指定展示的行数和列数，scale指定图像的缩放比例。
def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
Y = [aug(img) for _ in range(num_rows * num_cols)]
d2l.show_images(Y, num_rows, num_cols, scale=scale)
# 下面我们将使用不同的图像增强方法来处理图像，并展示增强后的结果。
# 首先，我们使用torchvision.transforms.RandomHorizontalFlip()方法来随机水平翻转图像。
# 这个方法会以一定的概率（默认是0.5）将图像水平翻转。
apply(img, torchvision.transforms.RandomHorizontalFlip())
# 接下来，我们使用torchvision.transforms.RandomVerticalFlip()方法来随机垂直翻转图像。
# 这个方法会以一定的概率（默认是0.5）将图像垂直翻转。
apply(img, torchvision.transforms.RandomVerticalFlip())
# 最后，我们使用torchvision.transforms.RandomResizedCrop()方法来随机裁剪图像并调整大小。
# 这个方法会随机裁剪图像的一部分，并将其调整为指定的大小。
# 在这个例子中，我们将图像裁剪为200x200像素，并且裁剪的区域的面积占原图的比例在0.1到1之间，宽高比在0.5到2之间。
shape_aug = torchvision.transforms.RandomResizedCrop(
(200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)
d2l.plt.show()
图像裁减后的显示
改变颜色
# 最后，我们使用torchvision.transforms.ColorJitter()方法来随机改变图像的亮度、对比度、饱和度和色调。
# 在这个例子中，我们将亮度调整范围设置为0.5，对比度、饱和度和色调的调整范围设置为0。
# 8张图像中，每张图像的亮度都会在原图的基础上随机调整，调整范围为原图亮度的0.5倍到1.5倍之间。
apply(img, torchvision.transforms.ColorJitter(
brightness=0.5, contrast=0, saturation=0, hue=0))
# 8张图像中，每张图像的色调都会在原图的基础上随机调整，调整范围为原图色调的-0.5到0.5之间。
apply(img, torchvision.transforms.ColorJitter(
brightness=0, contrast=0, saturation=0, hue=0.5))
# 8张图像中，每张图像的亮度、对比度、饱和度和色调都会在原图的基础上随机调整，调整范围为原图的0.5倍到1.5倍之间。
color_aug = torchvision.transforms.ColorJitter(
brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
apply(img, color_aug)
结合多种图像增广方法
# 最后，我们将随机水平翻转、随机裁剪和颜色抖动这三种图像增强方法组合在一起，来同时增强图像的形状和颜色。
augs = torchvision.transforms.Compose([
torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)
使用图像增广训练
数据准备
# 下面我们将使用CIFAR-10数据集来展示图像增强的效果。
# CIFAR-10数据集包含了10个类别的60000张32x32像素的彩色图像，其中50000张用于训练，10000张用于测试。
# 这里我们使用torchvision.datasets.CIFAR10()函数来加载CIFAR-10数据集，并将train参数设置为True来获取训练集。
all_images = torchvision.datasets.CIFAR10(train=True, root="../data",
download=False)
# 加载完成后，我们可以使用d2l.show_images()函数来展示前32张图像，并将它们排列成4行8列的格式。
d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8);
d2l.plt.show()
训练代码
# 定义一个函数来加载CIFAR-10数据集，并应用指定的图像增强方法。
def load_cifar10(is_train, augs, batch_size):
dataset = torchvision.datasets.CIFAR10(root="../data", train=is_train,
transform=augs, download=False)
dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
shuffle=is_train, num_workers=d2l.get_dataloader_workers())
return dataloader
#@save
def train_batch_ch13(net, X, y, loss, trainer, devices):
"""
用多GPU进行小批量训练
参数：
net: 神经网络模型（可能已封装为DataParallel以支持多GPU）
X: 输入数据（可以是Tensor或Tensor列表，BERT等模型可能为列表）
y: 标签
loss: 损失函数
trainer: 优化器
devices: 设备列表（如[GPU0, GPU1,...]）
返回：
train_loss_sum: 当前批次的总损失
train_acc_sum: 当前批次的总准确率
"""
# 如果输入是列表（如BERT等模型），将每个输入都搬到主设备（devices[0]）
if isinstance(X, list):
# 微调BERT等模型时，输入通常为多个Tensor
X = [x.to(devices[0]) for x in X]
else:
# 普通情况，直接将输入搬到主设备
X = X.to(devices[0])
# 标签也搬到主设备
y = y.to(devices[0])
# 设置模型为训练模式（启用Dropout/BN等）
net.train()
# 梯度清零，防止梯度累加
trainer.zero_grad()
# 前向传播，获得预测结果
pred = net(X)
# 计算损失（返回每个样本的损失）
l = loss(pred, y)
# 反向传播，计算梯度（对所有样本损失求和后反传）
l.sum().backward()
# 优化器更新参数
trainer.step()
# 统计本批次总损失
train_loss_sum = l.sum()
# 统计本批次准确率
train_acc_sum = d2l.accuracy(pred, y)
return train_loss_sum, train_acc_sum
#@save
def train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
devices=d2l.try_all_gpus()):
"""用多GPU进行模型训练"""
timer, num_batches = d2l.Timer(), len(train_iter)
animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
legend=['train loss', 'train acc', 'test acc'])
# 将模型封装为DataParallel以支持多GPU训练，并将模型搬到主设备
net = nn.DataParallel(net, device_ids=devices).to(devices[0])
# 训练多个epoch
for epoch in range(num_epochs):
# 4个维度：储存训练损失，训练准确度，实例数，特点数
metric = d2l.Accumulator(4)
for i, (features, labels) in enumerate(train_iter):
timer.start()
l, acc = train_batch_ch13(
net, features, labels, loss, trainer, devices)
metric.add(l, acc, labels.shape[0], labels.numel())
timer.stop()
if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
animator.add(epoch + (i + 1) / num_batches,
(metric[0] / metric[2], metric[1] / metric[3],
None))
test_acc = d2l.evaluate_accuracy_gpu(net, test_iter)
animator.add(epoch + 1, (None, None, test_acc))
print(f'loss {metric[0] / metric[2]:.3f}, train acc '
f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
f'{str(devices)}')
batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10, 3)
# 初始化模型参数
def init_weights(m):
if type(m) in [nn.Linear, nn.Conv2d]:
nn.init.xavier_uniform_(m.weight)
net.apply(init_weights)
def train_with_data_aug(train_augs, test_augs, net, lr=0.001):
train_iter = load_cifar10(True, train_augs, batch_size)
test_iter = load_cifar10(False, test_augs, batch_size)
loss = nn.CrossEntropyLoss(reduction="none")
trainer = torch.optim.Adam(net.parameters(), lr=lr)
train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)
train_with_data_aug(train_augs, test_augs, net)
训练过程
原始图像
↓
数据增强（augmentation）
↓
Dataset
↓
DataLoader
↓
ResNet18
↓
forward
↓
loss
↓
backward
↓
Adam 更新参数
↓
test accuracy
神经网络图
输入图像 32×32×3
↓
卷积层 Conv
↓
残差块 Block1
↓
残差块 Block2
↓
残差块 Block3
↓
残差块 Block4
↓
全局平均池化 GAP
↓
全连接层 FC
↓
10分类输出
微调
源码
import os
import torch
import torchvision
from torch import nn
from d2l import torch as d2l
# 本案例演示如何使用预训练的ResNet-18模型进行迁移学习（微调），用于二分类（热狗/非热狗）任务。
#@save
d2l.DATA_HUB['hotdog'] = (d2l.DATA_URL + 'hotdog.zip',
'fba480ffa8aa7e0febbb511d181409f899b9baa5')
data_dir = d2l.download_extract('hotdog')
# 加载训练集和测试集图片，数据集结构需为ImageFolder格式（train/、test/子文件夹分别存放类别图片）。
train_imgs = torchvision.datasets.ImageFolder(os.path.join(data_dir, 'train'))
test_imgs = torchvision.datasets.ImageFolder(os.path.join(data_dir, 'test'))
# 数据增强与标准化：
# 训练集：随机裁剪为224x224、随机水平翻转、转为Tensor、标准化
# 测试集：缩放到256x256、中心裁剪224x224、转为Tensor、标准化
# 使用RGB通道的均值和标准差，以标准化每个通道
normalize = torchvision.transforms.Normalize(
[0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
# 下面我们将使用不同的图像增强方法来处理图像，并展示增强后的结果。
train_augs = torchvision.transforms.Compose([
torchvision.transforms.RandomResizedCrop(224),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
normalize])
#
test_augs = torchvision.transforms.Compose([
torchvision.transforms.Resize([256, 256]),
torchvision.transforms.CenterCrop(224),
torchvision.transforms.ToTensor(),
normalize])
#
pretrained_net = torchvision.models.resnet18(pretrained=True)
# 加载预训练的ResNet-18模型，并将最后的全连接层（fc）替换为2分类输出（热狗/非热狗）
finetune_net = torchvision.models.resnet18(pretrained=True)
finetune_net.fc = nn.Linear(finetune_net.fc.in_features, 2) # 输出类别数为2
nn.init.xavier_uniform_(finetune_net.fc.weight); # 用Xavier初始化新全连接层参数
# 如果param_group=True，输出层中的模型参数将使用十倍的学习率
def train_fine_tuning(net, learning_rate, batch_size=128, num_epochs=5,
param_group=True):
# 构建训练集和测试集的DataLoader，应用对应的数据增强
train_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(os.path.join(data_dir, 'train'), transform=train_augs),
batch_size=batch_size, shuffle=True)
test_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(os.path.join(data_dir, 'test'), transform=test_augs),
batch_size=batch_size)
# 自动检测可用GPU设备
devices = d2l.try_all_gpus()
# 使用交叉熵损失
loss = nn.CrossEntropyLoss(reduction="none")
# 优化器参数分组：
# 预训练层使用较小学习率，最后新加的全连接层使用10倍学习率，加速收敛
if param_group:
params_1x = [param for name, param in net.named_parameters()
if name not in ["fc.weight", "fc.bias"]]
trainer = torch.optim.SGD([
{'params': params_1x}, # 预训练层参数
{'params': net.fc.parameters(), 'lr': learning_rate * 10} # 新增层参数
], lr=learning_rate, weight_decay=0.001)
else:
# 所有参数同一学习率
trainer = torch.optim.SGD(net.parameters(), lr=learning_rate, weight_decay=0.001)
# 调用d2l实现的多GPU训练主循环
d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs, devices)
# 调用训练函数，进行微调。learning_rate=5e-5，最后一层学习率为5e-4。
train_fine_tuning(finetune_net, 5e-5)
训练流程
┌────────────────────┐
│ 热狗训练图片 │
└────────────────────┘
│
▼
┌────────────────────┐
│ 数据增强(DataAug) │
│ 随机裁剪/翻转/归一化 │
└────────────────────┘
│
▼
┌────────────────────┐
│ 预训练ResNet18 │
│ (ImageNet学好的) │
└────────────────────┘
│
┌────────────────┴────────────────┐
▼ ▼
┌──────────────────┐ ┌──────────────────┐
│ 前面卷积层 │ │ 最后全连接层(fc) │
│ 保留已有知识 │ │ 换成新的2分类层 │
└──────────────────┘ └──────────────────┘
│ │
│ 小学习率 │ 大学习率
│ 慢慢调整 │ 快速学习
▼ ▼
┌────────────────────┐
│ 输出分类结果 │
│ hotdog / nothotdog │
└────────────────────┘
学习率不同解释
ImageNet预训练模型
↓
已有视觉能力
↓
替换最后分类层
↓
小学习率保护原知识
大学习率训练新层
↓
逐渐适应热狗任务
↓
得到专用分类器
学习率本质： 参数每次更新的步长
AI 大模型微调（Fine-tuning）到底是什么？
GPT-4
↓
继续训练
↓
变成：
法律助手
医疗助手
代码助手
金融助手
因为预训练模型太通用, 现实任务往往很专业
| 场景 | 需要什么 |
|---|---|
| 医疗AI | 医学知识 |
| 金融AI | 金融术语 |
| 客服AI | 公司业务 |
| 编程AI | 代码风格 |
| Android助手 | Framework知识 |
为什么会突然出现几十家大模型公司
Llama/Qwen 开源 -> 行业门槛大降 -> 中国AI公司爆发
为什么 DeepSeek 会震动行业？
- 因为它证明：高性能AI不一定需要OpenAI级资金
- 过去行业默认：只有几千亿美元资本, 才能做AGI
生态图
┌──────────────────────┐
│ 算力基础设施 │
│ NVIDIA / AMD / 云厂商 │
└──────────────────────┘
▲
│
│ GPU/集群/云服务
│
────────────────────────────────────────────────────
┌──────────────────────┐
│ 基础模型层 │
│ Foundation Models │
└──────────────────────┘
┌──────────────┬──────────────┬──────────────┐
▼ ▼ ▼
闭源路线 开源路线 中国路线
┌────────────┐ ┌────────────┐ ┌────────────┐
│ OpenAI │ │ Llama │ │ Qwen │
│ Claude │ │ Mistral │ │ DeepSeek │
│ Gemini │ │ Gemma │ │ GLM │
└────────────┘ └────────────┘ └────────────┘
────────────────────────────────────────────────────
┌──────────────────────┐
│ 后训练/微调层 │
│ SFT / RLHF / LoRA │
└──────────────────────┘
┌──────────────┬──────────────┬──────────────┐
▼ ▼ ▼
医疗AI 金融AI 工业AI
法律AI 教育AI 政务AI
────────────────────────────────────────────────────
┌──────────────────────┐
│ Agent工作流层 │
│ Tool Use / RAG / MCP │
└──────────────────────┘
┌───────────────────────────┐
│ AI开始调用真实世界工具 │
│ │
│ 搜索 / SQL / IDE / 浏览器 │
│ ERP / CRM / API系统 │
└───────────────────────────┘
────────────────────────────────────────────────────
┌──────────────────────┐
│ 应用层 │
│ AI Native Apps │
└──────────────────────┘
┌──────────┬──────────┬──────────┬──────────┐
▼ ▼ ▼ ▼
AI编程 AI客服 AI办公 AI搜索
AI设计 AI医疗 AI投顾 AI机器人
利润流向图
AI产业利润金字塔（2026）
▲
│
│ 利润率最高
│
┌────────────────────┐
│ GPU/云厂商 │
│ NVIDIA / 云计算 │
└────────────────────┘
│
│ 所有人都要买算力
▼
┌────────────────────┐
│ 基础模型公司 │
│ OpenAI/Anthropic │
└────────────────────┘
│
│ 高研发投入
│ 高推理成本
▼
┌────────────────────┐
│ AI Agent/平台层 │
│ 自动化工作流 │
└────────────────────┘
│
│ 开始出现SaaS利润
▼
┌────────────────────┐
│ 行业应用层 │
│ 医疗/教育/办公AI │
└────────────────────┘
│
│ 最卷
▼
┌────────────────────┐
│ 普通AI套壳应用 │
│ Chat Wrapper │
└────────────────────┘
大模型厂商的护城河
AI技术壁垒金字塔
▲
│
│ 最难
│
┌────────────────────┐
│ 超大规模预训练 │
│ 分布式训练/算力 │
└────────────────────┘
▼
┌────────────────────┐
│ RLHF / 后训练 │
│ 对齐 / 推理能力 │
└────────────────────┘
▼
┌────────────────────┐
│ 高质量行业数据 │
│ 企业私有知识 │
└────────────────────┘
▼
┌────────────────────┐
│ Agent工作流系统 │
│ Tool Use / MCP │
└────────────────────┘
▼
┌────────────────────┐
│ 工程优化能力 │
│ CUDA / 推理加速 │
└────────────────────┘
▼
┌────────────────────┐
│ UI套壳 │
│ 最容易复制 │
└────────────────────┘
OpenAI 对比 DeepSeek
| 项目 | OpenAI GPT-4时代 | DeepSeek V3/R1时代 |
|---|---|---|
| 模型路线 | 闭源 Dense | 开源 MoE |
| 训练方式 | 超大规模暴力堆算力 | 强工程优化 |
| 训练成本 | ~$1亿+ | ~$500万级（公开估算） |
| GPU规模 | 数万张A100/H100 | 几千张H800 |
| 激活参数 | 大量全部激活 | 只激活部分专家 |
| 推理成本 | 很高 | 极低 |
| API价格 | 高 | 极低 |
| 开源 | 否 | 是 |
| 主要优势 | 顶级综合能力 | 超高性价比 |
| 最大壁垒 | Frontier Research | 工程优化+效率 |
Anthropic 多模态
战略核心不同：他们押的是“可靠性”，不是“能力广度”
Anthropic 的主线是：安全 + 可控 + 可解释 + 推理能力
多模态 = 工程复杂度暴增，但收益不一定线性增长
多模态意味着：
文本 + 图像 + 音频 + 视频 + 时序
会带来：
数据对齐难度上升
训练成本暴涨
评估体系复杂
错误类型更多
Claude 系列在企业端的优势非常明确：
稳定性 > 炫技能力
- 法律总结错一条条款
- 金融分析幻觉一个数字
- 代码生成引入隐性 bug
👉 成本是直接可量化的。
长文本能力 = 企业刚需
- 可以读完整合同
- 可以分析整份财报
- 可以理解整套代码仓库
- 可以做审计级分析
企业愿意为“可靠性”付溢价
企业级“安全AI基础设施”
0
次点赞
