# 假设必要的导入: keras, layers, torch (或 tensorflow)
# 假设cifar10数据集已加载并预处理为:
# x_train, y_train, x_val, y_val, x_test, y_test
# (像素值已缩放，例如到[0, 1]，标签已进行one-hot编码)

import keras
from keras import layers
# import torch # 如果使用PyTorch后端

# 示例: 为CIFAR-10定义输入形状和类别数量
input_shape = (32, 32, 3)
num_classes = 10

# 基线模型结构 (为方便说明，已从第4章简化)
# baseline_model = keras.Sequential(
#     [
#         keras.Input(shape=input_shape),
#         layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
#         layers.MaxPooling2D(pool_size=(2, 2)),
#         layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
#         layers.MaxPooling2D(pool_size=(2, 2)),
#         layers.Flatten(),
#         layers.Dense(128, activation="relu"),
#         layers.Dense(num_classes, activation="softmax"),
#     ]
# )

# baseline_model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])

# History baseline = baseline_model.fit(x_train, y_train, batch_size=128, epochs=20, validation_data=(x_val, y_val))
# 基线评估: baseline_loss, baseline_acc = baseline_model.evaluate(x_test, y_test)
# print(f"基线测试准确率: {baseline_acc:.4f}") # 示例结果: ~0.68

应用正则化：Dropout

为了应对过拟合，我们将引入Dropout层。Dropout在训练期间的每次更新中随机将一部分输入单元设置为0，这有助于防止训练数据上出现复杂的协同适应。我们将在池化层之后和最终全连接层之前添加Dropout。

# 使用Dropout的改进模型
improved_model = keras.Sequential(
    [
        keras.Input(shape=input_shape),
        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        # 池化后添加Dropout
        layers.Dropout(0.25), # Dropout比率为25%

        layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        # 池化后添加Dropout
        layers.Dropout(0.25), # Dropout比率为25%

        layers.Flatten(),
        layers.Dense(128, activation="relu"),
        # 在最终全连接层之前添加Dropout
        layers.Dropout(0.5), # 全连接层使用更高的Dropout率很常见
        layers.Dense(num_classes, activation="softmax"),
    ]
)

improved_model.summary()

Dropout率（0.25、0.5）是常见的起始点；它们是稍后可以调整的超参数。

实现数据增强

数据增强通过创建现有图像的修改版本来人工扩展训练数据集。这使得模型对旋转、平移或翻转等变换更具不变性，从而提高泛化能力。Keras提供了可以直接包含在模型定义中或应用于数据集管道的预处理层。将它们添加到模型中很方便。

# 包含数据增强层的模型定义
data_augmentation = keras.Sequential(
    [
        layers.RandomFlip("horizontal", input_shape=input_shape),
        layers.RandomRotation(0.1),
        layers.RandomZoom(0.1),
        # 根据需要添加其他增强方式（例如 RandomContrast）
    ]
)

improved_model_with_aug = keras.Sequential(
    [
        keras.Input(shape=input_shape),
        # 首先应用增强层
        data_augmentation,
        # 模型结构的其余部分（包含Dropout）
        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Dropout(0.25),
        layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Dropout(0.25),
        layers.Flatten(),
        layers.Dense(128, activation="relu"),
        layers.Dropout(0.5),
        layers.Dense(num_classes, activation="softmax"),
    ]
)

improved_model_with_aug.summary()

现在，模型在每个周期都会看到略微不同的训练图像版本。

使用回调进行高效训练

回调允许我们在训练期间自动化操作。我们将使用ModelCheckpoint，仅在验证性能提高时保存模型权重；使用EarlyStopping，如果在设定的周期数内验证性能没有提升，则停止训练。

# 定义回调
callbacks = [
    keras.callbacks.ModelCheckpoint(
        filepath="best_model.keras", # 模型文件的保存路径
        save_best_only=True,        # 仅在val_loss改善时保存
        monitor="val_loss",         # 监控的指标
        verbose=1                   # 保存时打印日志
    ),
    keras.callbacks.EarlyStopping(
        monitor="val_loss", # 监控的指标
        patience=10,        # 等待的无改进周期数
        verbose=1,          # 停止时打印日志
        restore_best_weights=True # 从val_loss最佳的周期恢复权重
    )
    # 可选: 添加TensorBoard回调
    # keras.callbacks.TensorBoard(log_dir="./logs")
]

# 编译改进后的模型（包含增强和dropout）
improved_model_with_aug.compile(loss="categorical_crossentropy",
                                optimizer="adam",
                                metrics=["accuracy"])

训练和评估改进模型

现在，我们使用fit方法训练增强模型，并传入我们的回调列表。初始阶段可能需要训练更多周期，因为正则化和数据增强有时会减缓收敛速度，但EarlyStopping将防止过度训练。

# 训练模型
print("正在训练改进模型...")
history_improved = improved_model_with_aug.fit(
    x_train, y_train,
    batch_size=128,
    epochs=50,  # 允许更多周期，EarlyStopping将进行管理
    validation_data=(x_val, y_val),
    callbacks=callbacks # 包含我们定义的回调
)

# 注意: EarlyStopping可能会在50个周期前停止训练。
# 'best_model.keras' 文件现在包含val_loss最低的周期的权重。

# 选项1: 如果restore_best_weights=True，EarlyStopping会自动恢复最佳权重
print("\n正在评估已恢复最佳权重的模型（由于EarlyStopping）。..")
improved_loss, improved_acc = improved_model_with_aug.evaluate(x_test, y_test, verbose=0)
print(f"改进模型测试准确率（来自EarlyStopping）: {improved_acc:.4f}")

# 选项2: 显式加载ModelCheckpoint保存的最佳模型
# print("\n正在加载ModelCheckpoint保存的最佳模型并评估...")
# best_model = keras.models.load_model("best_model.keras")
# improved_loss, improved_acc = best_model.evaluate(x_test, y_test, verbose=0)
# print(f"改进模型测试准确率（来自best_model.keras）: {improved_acc:.4f}")

# 与基线进行比较（示例结果）
# 基线测试准确率: ~0.68
# 改进模型测试准确率: ~0.75 (预期提高)

您应该会观察到，训练准确率和验证准确率之间的差距小于基线模型，这表明过拟合现象有所减少。最终的测试准确率有望高于基线模型。

可视化改进效果

让我们可视化训练历史，以查看其影响。我们期望改进模型的验证曲线能更紧密地跟随训练曲线，并有可能达到更高的峰值。

基线模型（蓝色）和改进模型（绿色）的训练与验证准确率曲线比较，其中改进模型使用了正则化和数据增强。请注意，改进模型表现出更少的过拟合（训练/验证曲线之间的差距更小），并获得了更好的验证准确率。提前停止可能会在第25-30个周期左右终止改进模型的训练。

保存最终模型

评估后，如果满意，您可以保存最终训练好的模型（得益于ModelCheckpoint，它可能已经保存为best_model.keras）。

# 如果您没有使用ModelCheckpoint或想要保存当前状态
# improved_model_with_aug.save("final_improved_cnn_cifar10.keras")
# loaded_model = keras.models.load_model("final_improved_cnn_cifar10.keras")
# print("模型已成功保存和重新加载。")

后续步骤：超参数调整

尽管我们已经应用了多种有效技术，但要获得最佳性能通常需要调整超参数。这可能涉及尝试以下方面：

不同的Dropout率。
数据增强的强度和类型。
优化器的学习率（Adam的默认学习率可能不是最佳的）。
网络架构的变化（滤波器数量、层数）。
不同的优化算法（RMSprop、带动量的SGD）。

KerasTuner或Optuna等工具和方法可以帮助自动化此搜索过程，但即使是基于训练期间观察到的验证结果（也许使用TensorBoard）进行手动尝试，也能带来明显的提升。

本次实践练习展示了如何应用dropout、数据增强和回调（ModelCheckpoint、EarlyStopping）来提高CNN的泛化能力并更有效地管理训练过程。这些方法是深度学习实践者构建更可靠、性能更好模型的重要手段。

这部分内容有帮助吗？