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：
- 对训练图片使用翻转、裁剪等合理的数据增强；
- 加入 Dropout 或权重衰减；
- 使用 EarlyStopping 保留最佳验证轮次；
- 减小不必要的全连接层规模。
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。