图像分类

图像分类对给定的一张图像裁剪计算固定类别集的分数，再选最大值。本课的真实 SqueezeNet 结果中，完整上下文裁剪的 Samoyed 为 61.6%；同中心缩小后仍第一，为 33.4%；保持大小右移后，chow 以 19.3% 胜出。

裁剪决定模型收到的问题。它只看到方框内的像素，不知道原照片在框外还有什么，也不知道拍摄者想突出哪个对象。

输入约定与分类输出

单标签分类器接收固定尺寸张量，对词表中每类给分。本课 SqueezeNet 有 1,000 个 ImageNet 类别。它不先独立定位“狗”；一张裁剪输入对应一个排名。argmax 选择最大分数，即使前几名很接近也会产生 top-1。预测不会改写真实标签：本照片固定标签为 Samoyed，chow 胜出仍是错误。

原图是 1280×853 的 CC0 萨摩耶照片。裁剪为正方形，边长是源图高度的 cropSize 百分比，竖直中心固定，focusX 控制横向中心，再将越界部分约束回图内。

方形裁剪直接缩放为 224×224 RGB，数值缩到 [0,1]，再用 ImageNet 均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225] 标准化。SqueezeNet 1.1输出 1,000 个 logit，稳定 softmax 为：

p_i = exp(z_i - max(z)) / Σ_j exp(z_j - max(z))

减最大值防止指数溢出，不改变数学概率。图表固定 0–1 轴，只列前五名，剩余合为“其他 995 个类别”；不把前五名重新归一化，否则会抹去尾部质量并夸大显示值。

所有 25 个允许的裁剪组合已用同一图像、预处理、模型和标签离线计算。浏览器回放导出结果，不在样本之间猜分数。

逐步演示

默认最终裁剪是 { focusX: 60, cropSize: 40 }，通过两次单变量变化到达。

1. 定义任务：一张裁剪生成 1,000 类分数，取最大值，真实标签始终为 Samoyed。
2. 参考输入 {50,100}：边长 853，源图横向范围 213.5–1066.5，框外像素不进入模型。
3. 完整上下文结果：Samoyed 61.6%、white wolf 33.9%。前五类合计 98.3%，其余 995 类合计 1.7%。
4. 只缩小：保持 focusX = 50，把 cropSize 改为 40。边长 0.40 × 853 = 341.2 像素。改变的是裁剪尺寸及随之改变的输入内容和缩放，不是横向移动。
5. 同中心小裁剪：Samoyed 仍第一，33.4%；white wolf 30.0%，Arctic fox 17.4%。分布改变，赢家未变。
6. 只移动：保持 cropSize = 40，将 focusX 从 50% 改为 60%。最终边界为 [597.4, 255.9, 938.6, 597.1]。大小、竖直中心、预处理、模型和标签均不变。
7. 右移结果：chow 19.3%、Great Pyrenees 17.3%、Eskimo dog 16.2%、Samoyed 16.0%、white wolf 13.8%。胜出品种错误，真实类降至第四。
8. 比较两条箭头：完整裁剪到同中心小裁剪改变置信度，但未改赢家；同大小右移才改变赢家。每步只改一个裁剪参数，才能区分这两项观察。
9. 限定结论：这个模型回答它实际收到的裁剪，不证明缩小总有害、右移总翻转，或其他模型会产生相同百分比。

画布紫框表示输入，绿标签表示真实类别。结尾三个卡片固定保留输入与结果，箭头分别标示只缩小、只移动。

实验能说明什么

不能说“小裁剪必然答错”：居中的 40% 裁剪只让 Samoyed 从 61.6% 降至 33.4%，仍获胜；随后同样大小右移才使 chow 胜出。实验没有定位具体哪个像素造成翻转，只说明输入几何和整个预处理流程属于被评估系统的一部分。

百分比总和为一也不能证明校准。61.6% 是这个模型对这张裁剪的归一化分数；校准需要在一批数据上检查，预测接近 61.6% 的样本是否约有 61.6% 正确。

实际使用

部署要匹配评估时的缩放、裁剪、颜色通道顺序、数值范围和标准化常量。模型不变，输入流程变化仍会改变问题。

用有代表性的数据评估裁剪策略，检查合理裁剪是否改变赢家、压低真实类排名。需要定位物体就用目标检测；一图允许多个独立标签则用多标签分类。单个 argmax 不承担这两项功能。

边界情况

• 满高度且靠边：cropSize = 100、focusX = 30% 或 70% 会越界，方框被约束到图像边缘，不补虚构像素。
• 不改大小：cropSize = 100 的只缩小对照等于参考，讲解说明未改变尺寸。
• 不改位置：focusX = 50 的最终裁剪等于同中心对照，移动节拍说明中心未变。
• 真实类不在前五：另列真实类的实际概率和名次，不挤掉前五中的其他类。
• 其他图像或模型：这些数字只属于一张照片和 2016 年的 SqueezeNet，不是视觉模型通用表现。

常见错误

• 把预测当真实标签。最大分数可以错。
• 从 {50,100} 一步跳到 {60,40}，混淆尺寸与位置；需加入 {50,40} 对照。
• 把 cropSize = 40 理解成放大 40%。它表示边长为源高度 40%，输入的源像素更少。
• 将前五类按自身总和重新归一化，隐去其余 995 类。
• 期待一个类别输出能定位多个对象或给出多个独立标签。

模型范围

这是输入流程实验，不是视觉基准。用一个紧凑的 2016 分类器、一张照片、竖直中心固定的方形裁剪、25 组预计算结果。没有检测框、多标签输出、校准测量、数据增强、现代模型比较或任意上传图像。