简介基于PyCharm集成开发环境构建的神经网络二分类学习项目面向正在入门机器学习的Python开发者以猫与非猫图像识别为典型场景完整展示了从数据装载、特征预处理到模型搭建、训练调优和效果评估的全过程。压缩包内共6个文件包括两个Python源码模块、两个H5格式的数据集文件训练集与测试集以及两个Python编译缓存文件资源总大小仅2.35MB轻量紧凑方便在PyCharm中直接导入并在本地运行调试。目前已有365人学习下载学习价值较高。资源内置了数据加载工具、主执行脚本以及配套的训练与测试数据集使用者可以逐行阅读代码理解二分类任务中的隐藏层设计、Sigmoid激活函数、二进制交叉熵损失函数以及Adam优化器的作用同时结合运行输出观察模型收敛情况从而掌握用Keras/TensorFlow在PyCharm中实现图像二分类的完整思路和具体技巧。1. 从 file_luckyw77 这个命名说起PyCharm 里一个二分类神经网络工程的完整落地第一次看到 “pycharm file_luckyw77_神经网络_PyCharm_二分类_” 这个标题我第一反应是某个目录压缩包的名字luckyw77 是作者习惯用的项目署名后面跟着技术栈和任务关键词。也就是说这是一个运行在 PyCharm 里的神经网络二分类工程——数据进来模型输出 0 或 1 的概率最后落到一份评估报告。这件事看起来很常规但新手最容易卡住的地方其实不在算法而在环境、数据形状、损失函数和阈值选择。这篇文章从“这个项目到底要做成什么样”出发一路覆盖损失函数、Anaconda 环境配置、训练循环、常见踩坑和项目收尾适合想在自己电脑上把二分类模型跑通、并让对方能照着复现的从业者。2. 二分类网络先立骨架输出层、损失函数与输入形状一次定好动手写代码前先把三个最容易被忽略的设计点定下来输出神经元的个数、损失函数选哪种、数据以什么形状进网络。这三件事决定了你后面所有代码怎么写也决定了调试时看哪里。2.1 输出层为什么只有一个神经元很多第一次写二分类的人会下意识把输出层设成两个神经元对应“类别 0”和“类别 1”。这是从分类任务“有几个类就几个输出”的惯性里带出来的但二分类不需要。二分类的输出只有一个神经元经过 Sigmoid 激活后输出一个 0 到 1 之间的概率大于阈值判为类别 1否则判为类别 0。输出层是 1 个神经元而不是 2 个原因有三点第一两个神经元输出的是“得分”还要额外做 Softmax 归一化才能解释成概率多一层转换就多一处数值问题第二二分类的概率分布只有一维自由度已知 P(类别 0) 1 − P(类别 1)第二个输出是冗余的第三训练时的标签只需要一列 0/1和单输出对齐省去 One-Hot 编码这一步。在 PyTorch 里最常见的是先在最后一层拿到 logits未经过 Sigmoid 的原始值然后用 BCEWithLogits 这个损失函数在内部完成 Sigmoid 和损失计算。我建议不要自己在网络里加 Sigmoid 层除非你确定推理时不会忘记处理它。下面是一个最小网络定义import torch.nn as nn class BinaryClassifier(nn.Module): def __init__(self, n_features: int): super().__init__() self.net nn.Sequential( nn.Linear(n_features, 32), nn.ReLU(), nn.Linear(32, 16), nn.ReLU(), nn.Linear(16, 1) # 输出层只有 1 个神经元输出 logits ) def forward(self, x): return self.net(x)n_features是输入数据的特征维度比如你有 20 列特征这里就传 20。中间的 32、16 是隐藏层宽度这是常见做法里比较省事的起点不追求最优但足够跑通。forward最后返回的是 logits后面接BCEWithLogits时不需要再套 Sigmoid。如果你在推理阶段单独取概率再用torch.sigmoid(model(x))转换一次即可。2.2 二分类的损失函数用 BCE 还是 MSE这里不只是误差大小的问题二分类的“标准答案”是交叉熵损失。对单个样本BCEBinary Cross Entropy的公式是loss -( y * log(p) (1 - y) * log(1 - p) )其中 y 是真实标签 0 或 1p 是模型预测为正类的概率。把所有样本的 loss 取平均就得到这一批数据的损失值。那为什么不用 MSEMSE 在回归任务里是默认选择但放到分类上有一个直接问题当模型预测完全错误且信心很足时比如真实标签为 1预测概率接近 0MSE 的梯度会非常小模型纠正得极慢而 BCE 在同样的错误场景下梯度很大能快速把模型拉回来。另一个原因是概率解释BCE 对应的是“模型对伯努利分布的最大似然估计”MSE 对应的是高斯分布假设分类标签不是高斯分布。PyTorch 里有三个相关 API很多人分不清API说明适用场景nn.BCELoss输入必须是经过 Sigmoid 的概率值网络内部已带 Sigmoidnn.BCEWithLogitsLoss输入是 logits内部计算 Sigmoid BCE推荐数值更稳定nn.CrossEntropyLoss多分类交叉熵输出层为多神经元时使用我几乎只用BCEWithLogitsLoss它的好处是数值稳定性。Sigmoid 在输入很远时会出现log(0)的情况单独先算 Sigmoid 再算 log 会产生inf或nan把两者合并成一个公式内部做了log(1 exp(-x))的数值处理就不会溢出。这就是为什么不要在模型里自己接 Sigmoid 层然后配BCELoss——绕一圈反而踩数值坑。loss_fn nn.BCEWithLogitsLoss() # 模型输出 logits: (batch_size, 1) # 真实标签: (batch_size, 1)取值 0 或 1loss_fn要求模型输出和标签形状一致都是(batch_size, 1)这一点在下一节细说。2.3 数据形状和标签格式先统一到 float32 和 0/1二分类项目里一半的报错都出在形状不匹配和类型不对上。尤其是新手拿到 CSV 后直接pd.read_csv()就塞给模型经常遇到两个问题特征是 int64 而不是 float32标签是字符串而不是 0/1。PyTorch 的nn.Linear内部权重默认是 float32你喂进去 float64 的数据会直接报类型错误标签如果是 “yes”/“no” 这种文本损失函数根本没法计算。所以在进模型前特征统一转torch.float32标签统一转torch.float32且取值为 0 或 1。import pandas as pd import torch df pd.read_csv(data.csv) X df.drop(columns[label]).values.astype(float32) y df[label].values.astype(float32).reshape(-1, 1) X_tensor torch.from_numpy(X) y_tensor torch.from_numpy(y) print(X_tensor.shape) # 期望输出 (样本数, 特征数) print(y_tensor.shape) # 期望输出 (样本数, 1)reshape(-1, 1)的作用是把标签从一维数组变成列向量确保和模型输出的(batch_size, 1)对齐。如果标签原始值不是 0/1 而是别的比如 1/2要做一次映射。常见做法是df[label] df[label].map({neg: 0, pos: 1})也可以直接用LabelEncoder但映射后一定要astype(float32)。数据这块没有玄学形状和类型对了后面训练才谈得上。3. 配一个干净的 PyCharm 二分类环境Anaconda 解释器与依赖安装环境配置是整个项目里最劝退新手的环节但也是最值得一次搞对的环节。我的建议是用 Anaconda 建独立环境再让 PyCharm 指向这个环境。3.1 环境隔离是第一优先级Anaconda 比系统 Python 好在哪直接拿系统自带的 Python 跑机器学习项目三个月后大概率会翻车今天给 A 项目装了 torch 的老版本明天给 B 项目装了新版本两个项目的依赖互相打架最后只能卸载重装。Anaconda 的核心价值是环境隔离——每个项目一个环境各自有独立的 Python 版本和包集合互不干扰。另一个原因是 PyCharm 对 conda 环境的识别非常友好。PyCharm 的 Community 版和 Professional 版都支持在设置里直接选择 conda 环境作为项目解释器不需要额外装插件。对于入门做神经网络二分类社区版完全够用。打开 Anaconda Prompt 或者系统终端执行conda create -n luckyw77 python3.10 -y conda activate luckyw77luckyw77是环境名可以随便起但建议和项目名保持一致这样以后在 PyCharm 里一眼能认出哪个环境对应哪个项目。python3.10是一个比较稳妥的选择PyTorch 对它的支持很成熟。创建完成后所有依赖都装进这个环境不污染系统 Python。3.2 PyCharm 绑定 conda 环境三种做法里选最不容易错的PyCharm 里配置解释器有三种常见做法我第一次用的是“直接用系统 Python”后来发现版本混乱改成了“新建一个 venv”最后才稳定在“指向已有 conda 环境”。三种做法对应的入口都是File - Settings - Project - Python Interpreter。做法一是在 PyCharm 里新建 conda 环境。在解释器设置页点击Add Interpreter - Add Local Interpreter选择 CondaPyCharm 会自动探测 Anaconda 的安装路径输入环境名后点击确定PyCharm 会调用 conda 创建环境。这个方式适合还没有环境的人但 conda 创建环境需要下载基础包耗时较长。做法二是指向已有 conda 环境这也是我最推荐的。如果你已经按 3.1 在命令行里建好了luckyw77环境那么在Add Interpreter - Add Local Interpreter里选择Existing然后定位到 conda 环境的 python.exe 路径。Windows 上一般在C:\Users\你的用户名\anaconda3\envs\luckyw77\python.exemacOS 和 Linux 在/opt/anaconda3/envs/luckyw77/bin/python。选定后 PyCharm 会读取这个环境的包列表左下角会出现已有包的数量。做法三是用 venvPyCharm 创建项目时会默认建议 Venv但 venv 每次都要重新装包对依赖较多的项目不太划算。如果项目要跑在别人的机器上venv 的requirements.txt方式也够用只是第一次安装时间比较长。我一般确认解释器是否切换成功会打开 PyCharm 的 Terminal然后执行python -c import sys; print(sys.executable)输出路径里能看到envs/luckyw77就算成功。这里有个容易眼花的地方PyCharm 右上角的解释器下拉菜单和设置页里的解释器是两个入口有时你下拉选了 A 环境设置页里还是 B 环境。改完设置后重启一次 PyCharm避免解释器缓存导致导入失败。3.3 装依赖与验证 torch 可用镜像源和 CUDA 检查一起做依赖安装这个环节CPU 版和 GPU 版的选择直接影响下载量。如果只是跑通二分类、数据量不大CPU 版完全够用如果你的电脑有 NVIDIA 显卡并且想体会 GPU 加速就在安装 torch 前先去官网确认当前的 CUDA 对应版本。以 CPU 快速上手为例创建好环境后在 PyCharm 的 Terminal 里执行pip install torch --index-url https://download.pytorch.org/whl/cpu pip install pandas numpy scikit-learn matplotlib第一行指定了 torch 的 CPU 版下载源。如果你的机器不需要 GPU这个命令最省事下载体积比 CUDA 版小很多。第二行安装训练和评估常用到的依赖库。如果你的网络环境下载慢使用国内镜像源是常见做法。可以执行pip install pandas numpy scikit-learn matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple镜像源只影响下载速度不影响包的内容。装完后的验证比安装本身更重要。新建一个check_env.pyimport torch import pandas as pd import sklearn print(torch version:, torch.__version__) print(cuda available:, torch.cuda.is_available()) print(pandas version:, pd.__version__)运行这个文件如果最后三行都能正常打印说明 PyCharm 已经认到了正确的 conda 环境torch 等依赖也没有装坏。cuda available显示 False 表示当前环境是 CPU 版这是正常的显示 True 表示你成功装上了 CUDA 版并检测到了显卡。还有一个容易踩的坑pip 把包装到了 Anaconda 的 base 环境而 PyCharm 用的解释器是luckyw77。判断的方式很简单在 PyCharm Terminal 执行python -m pip list | grep torch如果输出为空说明包和解释器不在同一个环境。使用python -m pip install能避免因为 pip 指向不同环境导致的错装。4. 从数据到训练在 PyCharm 里跑通二分类最小项目环境配好、设计定好后接下来就是让模型真正跑起来。这里的核心是训练循环前向计算、算损失、反向传播、更新参数。第一次跑通后再换自己的数据就把数据读取部分替换掉。4.1 用 sklearn 生成可复现数据再换成 CSV很多人手头没有现成的二分类数据集训练前先用 sklearn 生成一份可复现的数据是最高效的做法。这样既能验证模型代码正确性也方便复现别人的实验。from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split import pandas as pd X, y make_classification( n_samples2000, n_features20, n_informative15, n_redundant5, n_classes2, weights[0.7, 0.3], # 制造类别不平衡逼近真实业务 random_state42 ) X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) df_train pd.DataFrame(X_train) df_train[label] y_train df_train.to_csv(train_data.csv, indexFalse)make_classification的参数值得逐个解释n_samples2000控制总样本数n_features20控制特征总数n_informative表示对分类真正有用的特征数n_redundant表示可以由其他特征线性组合出来的冗余特征weights[0.7, 0.3]让两个类别的比例不平均更贴近真实业务里正负样本不平衡的情况。stratifyy保证训练集和测试集的类别比例和原始数据一致这是划分数据集时容易被忽略的细节。如果你手头已经有 CSV替换方式很简单把第 2.3 节的读取代码放在这里去掉make_classification部分即可。数据集文件命名为train_data.csv放在 PyCharm 项目根目录下后面训练代码直接用相对路径读取这样换一台电脑也能跑。4.2 一个三层前馈网络的完整训练循环前向、残差与反向传播二分类项目最核心的产物就是训练循环。虽然 PyTorch 提供了Trainer之类的高层封装但第一次跑通时建议手写循环因为你能清楚地看到每一步在干什么出了问题也知道去哪查。import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset import pandas as pd df pd.read_csv(train_data.csv) X torch.tensor(df.drop(columns[label]).values, dtypetorch.float32) y torch.tensor(df[label].values, dtypetorch.float32).reshape(-1, 1) dataset TensorDataset(X, y) loader DataLoader(dataset, batch_size64, shuffleTrue) model BinaryClassifier(n_featuresX.shape[1]) loss_fn nn.BCEWithLogitsLoss() optimizer torch.optim.Adam(model.parameters(), lr0.002) for epoch in range(30): total_loss 0.0 for xb, yb in loader: logits model(xb) # 前向计算 loss loss_fn(logits, yb) # 计算损失 optimizer.zero_grad() # 清空上一步梯度 loss.backward() # 反向传播计算残差梯度 optimizer.step() # 更新权重 total_loss loss.item() * xb.size(0) print(fepoch {epoch1:02d}, loss: {total_loss / len(df):.4f})这个循环里每一行都有对应职责。model(xb)做的是神经网络的正向传播数据从输入层经过两个隐藏层到达输出层loss_fn(logits, yb)按 2.2 节的 BCE 公式计算出这批数据的平均损失。loss.backward()是把损失对每个参数的梯度算出来也就是通常说的“残差计算”——PyTorch 通过自动求导机制把输出层的误差向前逐层传播得到每一层权重的梯度optimizer.step()根据这些梯度更新参数完成一次学习。三个关键参数值得单独说。lr0.002是 Adam 优化器下比较常规的初始学习率lr 设到 0.1 容易让 loss 震荡设为 1e-5 会让训练慢得出奇。batch_size64在样本量 2000 这个规模下适中太小会导致梯度更新抖动太大会让单轮训练变慢。epoch30对 2000 个样本来说通常够用了如果 loss 还在明显下降就继续多跑几轮。训练完成后测试集上的表现才是模型真实的水平。把划分好的测试集单独取出来X_test_t torch.tensor(X_test, dtypetorch.float32) y_test_t torch.tensor(y_test, dtypetorch.float32).reshape(-1, 1) with torch.no_grad(): test_logits model(X_test_t) test_probs torch.sigmoid(test_logits) print(test_probs[:5].numpy().reshape(-1))no_grad()是推理时的关键操作它告诉 PyTorch 不需要为这些计算保存梯度信息既省内存又加速。输出的test_probs是每个测试样本被判为正类的概率接下来要处理的是“概率怎么变成类别”这正是下一节的问题。4.3 阈值别写死 0.5评估指标与阈值一起看训练结束后很多人直接把概率大于 0.5 判为类别 1。0.5 是最自然的默认阈值但如果你这组数据的正负样本比例不是 1:10.5 很可能不是最优的。评判二分类不能只盯着准确率。假设正类只占 5%模型永远预测负类也能拿到 95% 准确率但这个模型毫无业务价值。所以要把精确率Precision、召回率Recall和 AUC 放在一起看。用 sklearn 一次性算出来from sklearn.metrics import precision_score, recall_score, roc_auc_score y_pred (test_probs.numpy().reshape(-1) 0.5).astype(int) print(precision:, precision_score(y_test, y_pred)) print(recall:, recall_score(y_test, y_pred)) print(AUC:, roc_auc_score(y_test, test_probs.numpy().reshape(-1)))precision回答的是“你判为正类的人里有多少是对的”recall回答的是“真正的正类里你找回了多少”。这两个指标在类别不平衡时比准确率有价值得多。AUC 不依赖阈值衡量的是模型把正类排在负类前面的概率普通模型 0.8 以上就还不错。阈值的选择本质是在精确率和召回率之间取舍。比如正类是“有病的病人”漏诊的代价远大于误诊那阈值就该调低比如 0.3把更多样本判成正类宁可多查几个没病的也别漏掉有病的。我一般会扫一遍阈值import numpy as np for thr in [0.3, 0.4, 0.5, 0.6, 0.7]: pred (test_probs.numpy().reshape(-1) thr).astype(int) p precision_score(y_test, pred) r recall_score(y_test, pred) print(fthreshold{thr:.1f}, precision{p:.3f}, recall{r:.3f})看这张表来决定阈值而不是闭着眼睛用 0.5。这类“扫阈值”的做法在 Kaggle 上的 UCI 二分类任务里也非常常见先看 AUC再根据业务选阈值逻辑完全一致。5. PyCharm 二分类训练的常见坑与排查5 个高频问题一次梳理跑模型遇到报错是常态这次主要梳理我在 PyCharm 里做二分类项目过程中遇到的 5 个高频问题。每一条按“现象 → 原因 → 解决”的方式展开方便你直接对照。5.1 ImportError: torch 装好了却找不到现象是代码里import torch直接报错ModuleNotFoundError但你在 Anaconda Prompt 里执行pip show torch明明能看到包。原因是 PyCharm 用的 Python 解释器和你装包的 conda 环境不一致。PyCharm 默认打开项目时可能沿用了上一次的解释器或者你新创建 conda 环境之后没有重新选择解释器。解决方式是在Settings - Project - Python Interpreter里确认当前解释器路径是否包含envs/luckyw77。改完之后重点看 PyCharm 窗口右下角的解释器显示有没有同步变化。如果还是报错在 PyCharm 的 Terminal 里执行python -m pip install torch再重试python -m pip可以确保 pip 和 python 严格对应同一个环境。5.2 loss 停在 0.693 附近不下降现象是训练过程中 loss 从第 1 个 epoch 开始就稳定在 0.693 左右无论如何调整学习率都不动。原因是模型没有学到任何东西。0.693 正好是 ln(2)即模型预测概率固定在 0.5 时的 BCE 值。出现这个值说明前向传播输出的 logits 恒为 0通常是权重初始化太小、学习率过大导致梯度爆炸把参数推向最小值边界或者是数据标签没有标准化为 0/1。解决时先检查标签值是不是只有 0 和 1 两类再看输入数据有没有做标准化。我的排查顺序是打印前 20 个 logits 值如果全是 0 左右就把学习率降到 1e-4 重跑如果 logits 有数值但 loss 不动检查optimizer.zero_grad()是否写在loss.backward()之前忘记清梯度会让梯度累加参数更新方向混乱。5.3 训练中断内存或显存被吃满现象是训练跑到一半报CUDA out of memory或RuntimeError: DataLoader worker (pid(s) ...) exited unexpectedly电脑风扇狂转进程卡死。原因是 batch_size 太大或者 DataLoader 的num_workers开得过高。批量数据一口气加载进显存或内存超出硬件容量。解决方式是先把batch_size降到 32 甚至 16 重试。如果是 CPU 场景把num_workers0强制改成单进程加载避免多进程数据加载在 Windows 上出现死锁。彻底判断内存余量可以打开任务管理器看训练过程中的已提交内存变化如果持续上涨到 90% 以上说明输入数据长期驻留在内存中检查是否在循环内重复复制了 Tensor。5.4 训练指标高验证指标低现象是训练集上的 loss 一路降到 0.1 左右验证集上却停在 0.5 上下或者训练准确率 95% 但测试准确率只有 70%。原因基本就是过拟合或者是数据处理时发生了“标签泄漏”。模型把训练数据的噪声当成规律学进去了。特征里如果包含了和标签高度相关的信息——比如直接用标签本身构造的特征、或者对全量数据做标准化后再划分训练集和测试集——验证指标会被严重污染。解决时先看特征是不是包含了不该有的字段。标准化要在train_test_split之后做而且要用训练集的均值和方差去转换测试集。然后是加正则化常见做法是在网络里加 Dropout 层或者在优化器里加weight_decay0.001。最简单的验证手段是看训练曲线训练 loss 持续下降、验证 loss 先降后升过拟合的边界就在验证 loss 开始上升的那一个 epoch。5.5 控制台中文乱码、输出不刷新现象是 PyCharm 运行窗口里打印的中文变成乱码或者训练循环的进度输出一直不出现卡到最后才一次性刷出来。原因是控制台编码不一致以及输出缓冲。Windows 下 PyCharm 默认使用 UTF-8但终端区域设置可能是 GBK中文字符无法正确编码。训练循环里的print默认带缓冲大量输出会被积压。解决方式是先给每个输出加flushTrue参数强制刷新缓冲区再在代码文件第一行加入编码声明。输出量大的训练循环用print时把内容精简到一行避免频繁换行导致控制台渲染变慢。如果乱码依旧在 PyCharm 的Settings - Editor - File Encodings里把全局编码和项目编码统一改为 UTF-8这个设置同时影响文件读写和控制台输出。6. 项目收尾把参数暴露出来、存盘最优结果、下次直接跑模型调好不是终点能复现才是。每次训练时手动改代码里的学习率、改 batch_size、改阈值三个月后再打开这个项目你已经记不清当时跑出那个结果用的是哪组参数了。所以收尾这一步要做的是参数固化、模型存盘和结果留档。6.1 用 argparse 把超参数暴露到命令行训练参数写死在代码里每次调优都要改代码容易误改出 bug。用 argparse 就能在 PyCharm 的 Run Configuration 里直接传参。import argparse parser argparse.ArgumentParser() parser.add_argument(--lr, typefloat, default0.002) parser.add_argument(--batch_size, typeint, default64) parser.add_argument(--epochs, typeint, default30) parser.add_argument(--threshold, typefloat, default0.5, helpclassification threshold) args parser.parse_args() print(flr{args.lr}, batch_size{args.batch_size}, fepochs{args.epochs}, threshold{args.threshold})在 PyCharm 的Run - Edit Configurations里填入--lr 0.001 --epochs 50运行时传入的参数覆盖默认值训练脚本不需要改动任何代码。这也是让项目换个人也能直接跑起来的关键步骤对方不需要读懂全部代码看一眼启动参数就知道怎么调整。6.2 保存最优模型检查点与预测明细训练过程中追踪验证集上指标最好的那一次把模型参数和当时的配置一起存下来不要等训练结束才统一保存。torch.save({ model_state_dict: model.state_dict(), n_features: X.shape[1], threshold: 0.5, best_auc: best_auc, }, checkpoint.pt)保存格式里除了模型参数还应该带上输入特征数和阈值这样加载时不需要从外部猜测模型结构。ckpt torch.load(checkpoint.pt, weights_onlyTrue) model BinaryClassifier(n_featuresckpt[n_features]) model.load_state_dict(ckpt[model_state_dict]) model.eval()model.eval()是加载后必做的一步它会把 Dropout 等训练时特有的行为关掉确保推理结果可复现。测试集预测结果我会另存一份 CSV包含样本的真实标签、预测概率和最终类别方便后续做复盘分析和二次评估。6.3 重新打开这个项目时的三个检查动作隔几周再回来跑这个项目我的习惯是先做三个检查再动手第一打开 PyCharm 的 Terminal 执行python -c import torch; print(torch.__version__)确认解释器还是原来的luckyw77环境避免 Conda 环境被重建后 PyCharm 仍指向旧路径第二查看train_data.csv的文件长度确认数据没有被改动过特征列数是否和代码里的n_features一致第三直接运行带--load_checkpoint参数的推理脚本用测试集先看一遍旧模型的 AUC 和阈值再决定要不要重新训练。这三个动作能把“我曾经跑通过”变成“现在依然能跑通”。毕竟在 PyCharm 里做二分类这个事难点从来不在写网络结构那几行代码而在于每次重新打开环境后还能用同一套流程顺滑地拿到结果。我现在接手任何项目都会先做这三个检查再决定改哪里。希望帮到你。本文还有配套的精品资源点击获取
