mxt.log
← 返回竞赛经历AI 竞赛 / Kaggle

Kaggle 猫狗识别：从 CNN Baseline 到误差分析

在 Kaggle Notebook 中完成图像分类训练，记录数据增强、过拟合与评估过程。

#Kaggle · #CNN · #TensorFlow
EXPERIMENT TIMELINE示例数据

Kaggle 猫狗识别：从 CNN Baseline 到误差分析

Kaggle · Val Accuracy · 分数越高越好

4
提交次数
92.8%
最佳 Val Accuracy
92.8%
最新 Val Accuracy
+7.7%
相对首提交提升

  1. CNN Baseline

    85.1%

    使用三层卷积与固定训练/验证划分，先获得可复现的基线结果。

  2. 数据增强

    88.9%+3.8%

    加入水平翻转、随机缩放与小幅旋转，降低对训练样本细节的记忆。

    训练准确率下降，但验证集泛化能力明显改善。

  3. Dropout 与 EarlyStopping

    91.6%+2.7%

    在分类头加入 Dropout，并根据验证损失提前停止训练。

  4. 错误样本驱动调整

    92.8%+1.2%

    检查高置信度误判，调整裁剪范围并减少会破坏主体的增强操作。

    以错误样本分析决定最后一次数据策略修改。

猫狗识别是一个直观的二分类任务，也是一套完整计算机视觉训练流程的合适起点。实践环境使用 Kaggle Notebook 与 GPU，主要工具为 TensorFlow / Keras。

先检查数据

训练前先验证图片能否正常读取、类别是否平衡、尺寸与长宽比如何分布。数据读取错误或标签目录混乱，会比模型结构带来更直接的问题。

建立 CNN Baseline

模型从卷积、池化和全连接层开始，并使用独立验证集观察泛化表现。训练准确率继续提高、验证损失却开始上升时，说明模型已经过拟合。

应对过拟合的实验包括：

不只看准确率

混淆矩阵能显示两类错误是否对称。进一步查看置信度最高的错误样本，可以发现遮挡、背景干扰、主体过小或标签噪声等问题。误差分析会告诉我们下一次实验应该改变数据、损失函数，还是模型。

复盘

这次实践让我把“搭建 CNN”推进到“管理一次实验”：固定划分、记录曲线、保存最佳模型，并用错误样本解释指标变化。模型不是实验的全部，可靠的数据与评估流程同样重要。