APOAI 2025 Mock Classifier

• 来源：noai-mis/roai-solved/international-contests/apoai/2025-mock/02-classifier.ipynb
• 类型：CV
• 原始资料：solution notebook
• 题面完整性：题面缺失；根据 notebook 代码推断
• 解法资料完整性：有解法 notebook

题面大意

这是一个图像二分类任务。Notebook 中定义 CNN/MyModel，训练时读取 images, labels，用 binary accuracy 评估，最后生成提交。具体业务语义在目录中未见独立题面。

数据特点

数据由图像和 0/1 标签构成，训练流程使用 PyTorch。由于是 mock 题，重点应在基础 CNN 训练、数据加载、增强和提交格式，而非复杂领域知识。

考点

考点是从零搭建图像分类管线：Dataset、DataLoader、CNN、loss、optimizer、验证、推理提交。若图像数量不大，过拟合控制和增强是关键。

涉及知识点

• PyTorch 图像 Dataset。
• CNN 二分类与 BCE loss。
• 数据增强：resize、crop、flip、color jitter。
• Accuracy 监控与 checkpoint。
• 提交文件生成。

解法思路

基础解法是小 CNN：多层卷积 + pooling + 全连接，输出 sigmoid 概率。训练时使用 BCEWithLogitsLoss，验证时阈值 0.5 转标签。若允许预训练，可迁移学习；但 mock notebook 看起来使用自定义模型，说明从零训练即可。

可选/多种解法

小 CNN：适合教学和低算力。

预训练 backbone 微调：若规则允许，可快速提升。

传统特征 + SVM：若图像结构简单，可用 HOG/颜色直方图。

特殊技巧

二分类不要在模型里先 sigmoid 再用 BCEWithLogitsLoss，否则数值不稳定。类别不平衡时要看 precision/recall 而不只 accuracy。

调参优化

这类基础二分类题先调验证划分和阈值，再调模型。建议记录 BCE loss、accuracy、precision/recall，并扫描 sigmoid 阈值，避免默认 0.5 不是最优。模型侧从小 CNN 的通道数、dropout、学习率、batch size、epoch 数和增强强度开始；如果训练准确率高而验证低，优先加增强、weight decay 和早停，而不是继续加层。若类别不平衡，调 pos_weight 或采样权重通常比改 backbone 更直接。

注意事项

独立题面缺失，具体标签含义和提交字段需以 notebook 为准。本文档不把业务语义写死。

推广意义

这是 CV 竞赛最小闭环模板：数据读取、训练、验证、提交。它是后续复杂视觉题的基础。