第四章：模型搭建准备——环境、数据与选型

好，咱们进入正题。模型搭建这事儿，说白了就三步：把锅架好（环境）、把菜洗好切好（数据）、决定今天做川菜还是粤菜（选型）。这三步走扎实了，后面训练模型才不会翻车。

4.1 环境配置：PyTorch vs TensorFlow

我个人习惯用 PyTorch，原因很简单——调试方便，社区活跃。但 TensorFlow 在生产部署上确实有优势。你想想看，选哪个其实取决于你的场景。

4.1.1 PyTorch 环境搭建

我建议用 conda 管理环境，干净利落。曾经有个项目，我直接在 base 环境里装包，结果依赖冲突搞得我怀疑人生。从那以后，每个项目我都新建一个环境。

# 创建环境
conda create -n myenv python=3.9
conda activate myenv

# 安装 PyTorch（根据 CUDA 版本选择）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 验证安装
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

4.1.2 TensorFlow 环境搭建

TensorFlow 2.x 现在跟 Keras 深度整合，上手门槛低了不少。不过要注意，TF 对 GPU 的支持有时候挺坑的。

# 安装 TensorFlow
pip install tensorflow

# 验证 GPU 是否可用
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

4.2 数据集加载与预处理

数据预处理占了我整个项目时间的 60% 以上。真的，别小看这一步。模型再牛，喂进去的是垃圾，出来的还是垃圾。

4.2.1 常见数据集加载方式

框架	内置数据集	自定义数据集
PyTorch	torchvision.datasets	torch.utils.data.Dataset
TensorFlow	tf.keras.datasets	tf.data.Dataset

举个例子，加载 CIFAR-10：

# PyTorch 方式
from torchvision import datasets, transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)

# TensorFlow 方式
import tensorflow as tf

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()
x_train = x_train.astype('float32') / 255.0

4.2.2 数据增强

数据不够？增强来凑。说白了就是给数据「化妆」，让模型见过更多花样。

# PyTorch 数据增强
transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(brightness=0.2, contrast=0.2),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# TensorFlow 数据增强
data_augmentation = tf.keras.Sequential([
    tf.keras.layers.RandomFlip("horizontal"),
    tf.keras.layers.RandomRotation(0.1),
    tf.keras.layers.RandomZoom(0.1),
])

4.3 基础模型选型：CNN / RNN / Transformer

选模型就像选工具。你总不能拿锤子去拧螺丝吧？

4.3.1 CNN：图像任务的标配

CNN 的核心就是卷积核。它通过滑动窗口提取局部特征，说白了就是「看局部，拼整体」。

# 一个简单的 CNN 模型（PyTorch）
import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc = nn.Linear(32 * 8 * 8, 10)
    
    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

4.3.2 RNN：序列数据的利器

RNN 的特点是「有记忆」。它会把上一个时间步的信息传到下一个。但有个问题——长序列下容易梯度消失。LSTM 和 GRU 就是来解决这个问题的。

# 一个简单的 LSTM 模型（TensorFlow）
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

model = Sequential([
    LSTM(64, input_shape=(100, 50), return_sequences=True),
    LSTM(32),
    Dense(10, activation='softmax')
])

4.3.3 Transformer：当红炸子鸡

Transformer 最初是为 NLP 设计的，但现在 CV 领域也被它攻占了。它的核心是自注意力机制——说白了就是让模型自己决定「该看哪里」。

# 一个简单的 Transformer 编码器层（PyTorch）
from torch.nn import TransformerEncoderLayer

encoder_layer = TransformerEncoderLayer(
    d_model=512,      # 嵌入维度
    nhead=8,          # 注意力头数
    dim_feedforward=2048,
    dropout=0.1
)

4.4 知识体系总览

下面这张图，是我梳理的本章知识结构。你把它存下来，后面搭建模型时对照着看。

4.5 本章小结

嗯，内容不少，但核心就三件事：

• 环境：PyTorch 适合研究和快速迭代，TensorFlow 适合生产部署。选一个就行，别两个都装，容易乱。
• 数据：预处理比模型更重要。我见过太多人花 80% 时间调模型，却只花 20% 时间处理数据。方向反了。
• 选型：CNN 做图像，RNN 做序列，Transformer 通吃。但记住——简单模型能解决的问题，别上复杂的。