背景：

学校的一个实践作业，要求自主建立模型，运用人工智能跟深度学习，根据训练集训练，最后输入一张猫猫图片，让模型判断是否含有猫猫。

1.完成学校的任务

这个项目属于人工智能范畴下的深度学习实践，具体聚焦计算机视觉中的图像分类任务。学校提供了200张标注猫猫数据集（猫/非猫各100张，含宿舍实拍、网络图片），独立实现二分类检测系统。除此以外，禁止调用ResNet等预训练模型或高级封装API，需手写核心逻辑。

核心材料是，学校提供了一个深度学习的简单py文件。代码量不少，但是函数不多，结构很清晰。当时我已经有一定的深度学习基础（我之前有跟导师聊过，导师说我迟早会接触深度学习，叫我预先自学了），不过这是我第一次接触深度学习的实际应用。

看过代码以后，我选择将代码一段一段标上注释，分段去上网使用ai来搞清楚什么意思，同时补充这部分结构在人工智能应用里的基础知识。

最后结果如下：

示例代码流程：数据加载→模型定义→训练循环→准确率输出→单图预测。

2.自发的进一步探索

我并没有满足于完成学校的任务。通过这次机会，我切实获得了使用人工智能跟深度学习进行实践的经验。我抱着“既然搞清楚了一整个项目的流程和结构，不如自己从头做一个”的想法，尝试自己做一个模型来超越之前的那一个。

完成学校要求的基线模型后（一个严格按作业规范实现的单层感知机），我发现它的识别效果仅略高于随机猜测水平（约50%出头）——输入一张清晰的猫图，模型依然频繁误判。我产生强烈好奇：“为什么深度学习能解决图像问题？它到底‘深’在哪里？”

第一步：尝试CNN（TensorFlow）
我首先尝试了卷积神经网络。当时查阅资料时看到“CNN专为图像设计”，便用TensorFlow/Keras动手搭建了一个轻量结构：包含两个卷积层搭配池化层，后接全连接层。训练过程中，我特意用Matplotlib可视化中间层输出，第一次清晰看到特征从边缘轮廓逐渐演化为猫耳朵、毛发纹理的完整路径。模型效果显著优于学校基线，对模糊或侧脸猫图的判断也明显更可靠，这让我直观理解了“层次化特征提取”的价值。

第二步：尝试MLP（TensorFlow）
接着，我想验证“单纯增加隐藏层能否提升效果”。于是用TensorFlow实现了一个两层的多层感知机（MLP），在输入和输出间增加了一个隐藏层，其他训练条件与之前保持一致。结果模型效果确实比学校单层模型有提升，但与CNN相比仍有明显差距。这让我切实体会到：图像数据具有空间结构特性，卷积操作对局部特征的捕捉能力，远胜于全连接层的简单堆叠。

第三步：用PyTorch复现CNN
后来，出于对PyTorch框架的好奇（久闻其动态图调试友好），我用PyTorch完整复现了相同的CNN结构。过程中重点对比了两种框架的体验：PyTorch修改网络后能即时查看张量变化，调试过程更直观流畅；而TensorFlow在流程封装上更简洁。最终两个版本的效果基本一致，微小波动属于正常实验误差。这次尝试让我明白：框架本质是工具，选择应服务于开发效率与具体场景，而非技术偏好。

3.我的收获：

这段探索带给我的成长远超代码本身。当特征图清晰呈现猫耳朵轮廓时，书本理论瞬间有了温度；当MLP与CNN效果差异摆在眼前时，“结构决定能力”不再是一句空话。它教会我三件事：技术方案必须匹配问题本质，亲手验证胜过道听途说，保持对工具的开放心态比掌握单一技术更重要。也正是从这次“听说CNN好用→动手验证→理解原理”的完整闭环开始，我真正建立了对人工智能领域的兴趣与信心，也养成了此后面对任何技术问题时“先问本质，再选工具”的思维习惯。