图像分类模型测试精度极低，代码是否存在Bug？求优化方案

一、代码中的致命Bug #

• 模型模式错误：加载预训练ResNet后调用了resnet.eval()，这会将批量归一化（BN）、Dropout等层切换为评估模式，训练时这些层无法更新参数，模型根本无法有效学习。
• 变量名与计数逻辑错误：
  • 训练函数参数为optimiser，但代码中使用未定义的optimizer（拼写错误），会直接抛出运行时错误；
  • 训练准确率计算时使用了未定义的train_correct变量，实际统计的是correct；
  • 样本计数错误：total +=1是按批次计数而非样本数，正确统计应为total += labels.size(0)，这就是你看到训练精度虚高的核心原因——准确率计算完全错误。
• 测试代码逻辑冗余：torch.max(outputs, 1)返回的第一个值是类别概率的最大值，第二个是类别索引，后续possible_scores= np.argmax(scores.detach().numpy())无意义，单样本场景下还会引发维度错误。

二、过拟合的潜在诱因（修复代码后需关注） #

你的数据集每类仅约60张样本，87类的规模属于小样本场景，即使代码修复，仍可能存在过拟合问题：

• 预训练模型微调策略错误：直接修改全连接层后训练所有参数，且使用0.01的大学习率，会破坏预训练的通用特征，导致模型快速过拟合。
• 数据增强不足：未对自定义数据集做随机裁剪、翻转、色彩抖动等增强操作，样本多样性不足，模型易记住训练样本。
• 正则化手段单一：仅依赖L2正则化（weight_decay），未结合Dropout、早停（Early Stopping）、标签平滑等手段。

三、适合小样本自定义分类的模型推荐 #

• MobileNetV2/V3：轻量型模型，参数规模小，在小数据集上不易过拟合，同时具备良好的特征提取能力。
• EfficientNet-B0/B1：通过复合缩放优化模型效率，小版本模型在小样本场景下表现稳定，泛化性优于大模型。
• ViT-B/16（微调版）：视觉Transformer，需采用小学习率（如1e-5）冻结大部分预训练层，仅微调最后几层，结合CutMix、MixUp等增强手段，可在小样本任务中取得不错效果。
• Prototypical Network：专为小样本分类设计的模型，基于度量学习思路，适合每类样本数量极少的场景。

内容的提问来源于stack exchange，提问作者Sire