CNN细胞计数模型性能无提升：代码问题排查求助

一、数据处理环节的问题 #

• 数据增强顺序错误：当前transforms把ToTensor()放在最前面，后续的翻转、旋转、随机裁剪等操作是对张量进行的，而这些增强操作更适合在PIL图像上执行。正确顺序应该是先执行所有PIL层面的增强，再转成张量，最后做归一化：

  transforms.Compose([
      transforms.RandomHorizontalFlip(p=0.5),
      transforms.RandomVerticalFlip(p=0.5),
      transforms.RandomRotation(45),
      transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5),
      transforms.RandomResizedCrop(size=image_size, scale=(0.5, 1.0)),
      transforms.ToTensor(),
      transforms.Normalize(mean=[0.485, 0.456, 0.406],
                           std=[0.229, 0.224, 0.225])
  ])
  

• 冗余的通道重复操作：代码中先将灰度图转为RGB（已得到三通道图像），但后续又把变换后的图像第一个通道重复三次生成新的三通道张量，这会覆盖颜色增强的效果，完全没必要。删除train_resized_image = torch.stack([transformed_train_image[0]] * 3, dim=0)，直接将transformed_train_image加入resized_images即可。
• 验证集预处理缺失：代码仅处理了训练集，未看到验证集的预处理逻辑。验证集应只做固定尺寸调整和归一化，不能使用随机增强，否则会导致验证结果不稳定。需为验证集单独定义无随机操作的transforms，并完成数据加载流程。

二、模型与训练环节的问题 #

• 学习率设置过高：Adam优化器的默认推荐学习率是1e-3，而你设置了lr=0.01，过大的学习率会导致模型参数震荡，无法有效收敛。建议调整为lr=1e-4或1e-3，并可根据训练情况添加学习率衰减策略。
• 模型与数据未移动到GPU：代码中定义了device但未将模型、训练数据移动到对应设备上，导致模型在CPU上训练，不仅速度慢，还可能出现训练与验证设备不一致的问题。修改如下：

  cnn = TotalCellCounter().to(device)
  # 训练循环内
  images, targets = images.to(device), targets.to(device)
  

• 损失函数维度不匹配：训练时targets的形状是(batch_size,)，而模型输出形状是(batch_size,1)，虽然PyTorch会自动广播，但可能导致梯度传递异常。需将targets调整为与输出一致的维度：

  loss = criterion(outputs, targets.unsqueeze(1))
  

• 残差块结构可优化：当前残差块的顺序是Conv->BN->残差相加->ReLU，更标准的残差块顺序是BN->ReLU->Conv，调整后可能提升模型的收敛性：

  # 第一残差块示例
  x1_res = self.conv1_res(x)
  x1 = F.relu(self.bn1(self.conv1(x)))
  x1 = x1 + x1_res
  x1 = F.max_pool2d(x1, kernel_size=2, stride=2)
  

三、验证逻辑的致命错误 #

• 错误使用分类任务指标：细胞计数是回归任务，模型输出的是连续的细胞总数，而你用torch.max(outputs.data, 1)计算准确率（分类任务指标）完全不合理，这会导致你看到的“验证性能无变化”是虚假结果。回归任务应使用MAE（平均绝对误差）、RMSE（均方根误差）等指标，修改验证代码如下：

  cnn.eval()
  with torch.no_grad():
      total_mae = 0.0
      total = 0
      for images, labels in valloader:
          images = images.to(device)
          labels = labels.to(device).unsqueeze(1)
          outputs = cnn(images)
          mae = torch.abs(outputs - labels).sum().item()
          total_mae += mae
          total += labels.size(0)
      print(f'验证集平均绝对误差: {total_mae / total:.4f}')
  

• valloader未定义：代码中直接使用valloader但未看到其创建过程，需确保验证集数据加载流程与训练集一致（使用验证集专属的transforms），避免与训练集混淆。

内容的提问来源于stack exchange，提问作者Ella