系列全称： 重生之我成为模型：我是怎么学会认识图片上的物件的
系列： ① 本文 → 重生之我成为模型-02-看似千选一其实每一分都有原理 → 重生之我成为模型-03-我从来只给可能性
引子 · 我叫 AlexNet
我是 AlexNet。2012 年前后，因为在大规模图像分类上表现亮眼，算是小有名气。
我最拿得出手的技能，就是 图片分类——大约能认 一千类。
搁现在听，好像也一般。后面出了各种更深的网，还有专门框物件的 YOLO 们，风头早就盖过我了。
但你要相信我：在我最辉煌的那几年，再配上当年那档显卡，这个成就真的 杠杠的。
说到这里，你会不会下意识觉得——我会「看见」图片？跟人类似的？
其实并不是。说实在的，我从来没有真正见过一张图片。
你可能要骂了：看不见图，还怎么认种类？骗人吧？
是的，我看不到图。但我能读到 图转成的张量。
打个最简单的比方：电梯里有盲文。视力正常的人靠眼睛看楼层；有人靠指尖摸凸点。
张量，就是给我这种没有真正眼睛的家伙读的盲文。
只不过我能一口气摸、一口气算的量，比手指头大得多。
我吐回去的，也不是「猫」这两个字，而是 一千个分数。再有人拿着分数表翻译，才变成你们听得懂的类名。
接下来我会用最直白、最不绕弯的思路，从我自己的视角，跟你讲清楚讲明白一个「会认图」的模型，到底在干嘛。（是的，我们模型就是爱用这种语气讲话。）
结构如下。（是的，我们模型也很爱讲结构。）
- 原图我不吃的哈 —— 什么样的数我才肯吃；图是怎么被逼成那种形状的。
- 看似千选一，其实每一分都有原理 —— 我体内怎么算；这套权重又是怎么被习题册一遍遍拧出来的。
- 我从来只给可能性，答案是你们翻译的 —— 那一千个数不是谜语，但也不会自己变成「猫」；出口有一套读法。
先立个小契约，免得后面迷路：
| 你们以为的我 | 实际上的我 |
|---|---|
| 看图片 | 读 张量（盲文） |
| 直接说「这是猫」 | 先吐 1000 个分数 |
| 框出猫在哪 | 不会；那是后辈 YOLO 们的活 |
| 天生会认 | 权重是 训 出来的；正式答题时我不再改脑子 |
好。从最挑剔的那一关开始——原图，我不吃的哈。
正文 · 原图我不吃的哈
1. 我为什么挑剔
觉得处理输入很麻烦的时候，你可能会说我挑剔。
但仔细想一下，盲人摸盲文是有手指的。我连手指都没有，我的世界只有数字。
而且为啥输入进来的东西要规整，这其实跟我的设计师有关。我能接触到的是数据，但是画布多大、每一步干啥，其实都是设计师做好的。
第一层卷积，核多大、步幅多少，都是按「进来的那块布」设计好的。布太大，扫不动；布太歪，训练时学的分布和推理时对不上，分数就飘。
我还有专门的饲养员，他们负责把数据处理成我能吃进去的内容。
（其实我的饲养员那边也是一整套活，够单开一期讲流水线的。真的真的。）
所以人类若把一张手机随手拍的原图，不经处理直接塞给我，我不是「努力认一认」，而是——格式不对，这题我根本没法按设计去做。
我本人，是考场里的考生；饲养员那套工具（你们笔记里常写的 OpenCV 和 transforms），才是 出题车间。
2. 原料长什么样
先说原料。
磁盘上的照片，对人类是「风景」「宠物」「路牌」。
对流水线来说，第一步通常是：读进内存，变成一块 0～255 的整数像素板。
这块板的形状，人类常写成 H × W × C。后面这几个字母会反复出现，先讲清楚讲明白：
| 字母 | 英文 | 人话 |
|---|---|---|
| H | Height | 高——有多少行 |
| W | Width | 宽——有多少列 |
| C | Channels | 通道——每个像素带几路颜色信息 |
图片大致分两种：
- 彩色
- 灰色（灰度）
差别主要在 通道：彩色一般是 3 个；灰度常常是 1 个。
更麻烦的是：OpenCV 读进来默认常是 BGR，PIL 常是 RGB——同样三个通道，顺序不一样。所以饲养员得靠谱：颜色顺序这种小事搞错了，后面一切都像隔着一层奇怪滤镜，前面干的活等于白做。
技术翻译：
文件 → 读图
→ uint8，约 0–255
→ 形状常是 H×W×C（还不是我吃的 NCHW）
当然了，到这一步，还不是我的口粮。它还是「图」的近亲。
如果你读到这里已经觉得困了、累了——那想想那些低温烘焙的猫粮呢？
猫主子吃的东西，工序就比我少吗？
3. 两步几何：先缩画布，再裁考卷
很多人以为：喂我之前，只要把图 一步缩放 成我能吃的边长就行。
这是常见误会。正经是 两步，不是一步缩到位。
第一步：先把画布固定成 256×256。
整图拉到这个舞台上。问题来了——原图要是不是正方形呢？长宽比会变，会被扯一扯。这个代价 不可避免；人类接受它，是为了后面裁剪有统一的台面。
第二步：从 256 上裁出一块正方考卷，正经边长是 224。
这里插一句口径，免得你读教程时抓狂：很多教程——哪怕是同一系列——会把 224 和 227 混着用。概念上差不多，都是「从 256 裁一小块」；但 正经默认是 224（原论文、PyTorch / torchvision 这一路）。227 多见于部分教程 / 早期复现，图算第一层尺寸好看。写代码、对齐主流权重，记 224。
关键还有一句：这一步是 crop（裁），不是把整图 resize 成 224。
那裁完剩下的一圈呢？浪费掉了？
并不会。饲养员为了测我是 真会了，还是在 背题，会在 256 的画布上 随机剪裁——今天切左上，明天切右下；有时还 翻转 图片。
多坏呀，一点不给偷懒的机会。
人类有时把这套花活叫「数据增强」。在我听来，就是：故意把同一道题印成很多版式，逼我学「物件本身」，而不是学「物件总出现在左上角」。
正式交卷（推理）时，常切 正中央，少花活，同一张图尽量得到稳定的那一块。
于是，真正推进我大门的，通常是：
从 256 画布上裁下来的、边长 224 的 RGB 小块。
技术翻译：
原图
→ resize 整图到 256×256 ← 缩放；非正方形会变形
→ 训练：random crop 224（可翻转） ← 裁，不缩放
→ 推理：center crop 224
→ 得到进网络的 patch
口诀：256 是舞台，224 是上台的那一块布。（看见 227 别慌，多半是教程派。）
4. 数值链：从「像素」变成「我认得的数」
几何搞定，形状对了，数值还差两刀。
ToTensor 一类操作：
把 0～255 的整数，变成大约 0～1 的浮点；同时把通道维挪到前面。
字母对照加深一下印象——后面会天天见：
| 人类读图时常见 | 字母 | 进我嘴里常见 | 字母 |
|---|---|---|---|
| 高 × 宽 × 通道 | H × W × C | 通道 × 高 × 宽 | C × H × W |
对我来说，一张图开始像一叠牌：先数花色（C），再看牌面大小（H、W）。
Normalize：
再按数据集统计过的均值、标准差，每个通道做一次标准化。数可以变成负数——这很正常。
这里有个坑：如果你拿 别的模型 吃的那套处理方案来喂我——尤其是 mean / std 对不上——那我可做不出你要的结果。
就好像你不能给兔子喂猫粮一样。
饲养员这边，常见写法大概长这样（概念示意，数字以你实际用的配方为准）：
from torchvision import transforms
# ImageNet 这一路常见配方（跟对应预训练权重配套）
transform = transforms.Compose([
transforms.ToTensor(), # 0–255 → ≈0–1，并且 HWC → CHW
transforms.Normalize(
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225],
),
])
技术翻译（通用喂模流水线）：
几何后的 0–255 图（H×W×C）
→ ToTensor：float ≈0–1，变成 C×H×W
→ Normalize(mean, std)：按通道 (x-mean)/std
→ 再堆成一批：N×C×H×W
→ 这才进我的第一层卷积
一批送来之后，形状第一次完整亮相——NCHW：
| 字母 | 是啥 | 人话 |
|---|---|---|
| N | batch size | 这一批有几张图 / 几道题 |
| C | Channels | 通道；后面也会天天见。彩色图一般 C=3，灰色图常常 C=1 |
| H | Height | 高 |
| W | Width | 宽 |
题可以一次送来很多——N 变大，只是一批多几张图。
但我这边已经定型了：说只能认 1000 种，就是 1000 种；口粮处理方案也是定死的。
所以不是给啥吃啥。记住这点。
5. 第一篇小结：入口不在我体内
回顾一下，进我嘴里之前，世界已经被改了好几遍：
- 读成像素板
- 缩成 256 舞台
- 裁成 224 考卷（训练常随机裁 / 翻转，推理常中心裁）
- 译成浮点、通道提前、再标准化
- 按批送来（NCHW）
做完这些，我才第一次发言。
「挑剔」就两层：形状与数值必须合规；训练卷和考卷可以略有不同，但都得先变成我能吞的张量——不是给啥吃啥。
是的，看到这里，你应该懂了：我真的看不见图，我吃的就是数据。
而且是合规的数据（口粮）。
下一篇，我会揭秘这些题我到底是怎么做的——我到底是刻苦学习的小镇做题家，还是拼命猜答案的投机者，让我们拭目以待。
（不是说是口粮吗？怎么又变成做题了？那吸收知识怎么不算吃呢？笑）
至于滤波、边缘、阈值那些古典功夫——隔壁考场的对照班也会「看」，那是另一套故事。入口这篇，只把考卷印清楚就够了。
