1. 从分类网络到像素级分割AlexNet 在 Intel 比赛里的改造思路AlexNet 是个什么定位它是 2012 年 ImageNet 夺冠的那套卷积网络原本干的是「一张图里有什么」的分类活。而图像分割要回答的是「每个像素属于什么」Cityscapes 城市景观数据集里 30 类目标——行人、汽车、公交、自行车、道路、建筑——都要逐像素打标签。把分类网改成分割网核心动作就一句话把末端全连接层换成卷积层再补上反卷积把特征图放大回原图尺寸。适合谁看这篇如果你已经跑通过 MNIST 或 CIFAR 分类想第一次动手做语义分割或者你报了类似 Intel 黑客松这种比赛手里有 Cityscapes 的leftImg8bit_trainvaltest.zip和gtFine_trainvaltest.zip但卡在「网络怎么改、评估脚本怎么写、训练不收敛怎么办」那这篇的路径可以直接抄。我当时的做法是保留 AlexNet 的features卷积主干砍掉classifier里那三层 4096 维全连接换成1x1卷积直接输出 30 类 logits再用双线性插值上采样 32 倍回到1024x2048。为什么不用转置卷积因为比赛阶段显存吃紧双线性插值参数少、稳定先跑通再谈精度。实测下来这个改动让单卡 8G 显存也能跑 batch size 2。这里有个容易忽略的点Cityscapes 原始分辨率是1024x2048直接喂给 AlexNet 第一层kernel_size11, stride4会算到爆。所以预处理阶段必须做缩放我统一缩到512x1024标签用最近邻插值同步缩放避免类别索引被插值成小数。下面这段是数据加载的核心逻辑import torch import numpy as np from torch.utils.data import Dataset from PIL import Image class CityscapesSeg(Dataset): def __init__(self, img_dir, mask_dir, size(512, 1024)): self.img_dir img_dir self.mask_dir mask_dir self.size size self.ids [f.split(_leftImg8bit)[0] for f in os.listdir(img_dir)] def __getitem__(self, idx): name self.ids[idx] img Image.open(f{self.img_dir}/{name}_leftImg8bit.png).convert(RGB) mask Image.open(f{self.mask_dir}/{name}_gtFine_labelIds.png) img img.resize(self.size, Image.BILINEAR) mask mask.resize(self.size, Image.NEAREST) img np.array(img, dtypenp.float32) / 255.0 img (img - [0.485, 0.456, 0.406]) / [0.229, 0.224, 0.225] return torch.from_numpy(img).permute(2, 0, 1), torch.from_numpy(np.array(mask)).long()注意labelIds.png和labelTrainIds.png的区别前者是原始 id后者映射到 0-18 的训练 id。比赛如果按 30 类算就用labelIds并自己建映射表如果按 19 类算直接用labelTrainIds。我踩过的坑是混用了两种标签导致 loss 一直卡在 3.5 下不去换成统一labelTrainIds后第一轮就降到 1.8。2. TaoToken 统一 Key 前置把模型调用和训练脚本解耦做比赛的时候有个现实问题训练在本地或云主机上跑但调参阶段经常要问模型「这个 loss 曲线正常吗」「这段反卷积代码有没有维度错误」。如果每个工具都单独配一套 key切换起来很烦。TaoToken 的作用就是给一个统一 Key兼容 OpenAI 风格的接口模型对话、编码辅助、API 调用都走同一个入口。先说清楚它是什么TaoToken 是一个大模型 API 聚合服务提供统一的 Base URL 和 Key你可以在模型对话页面直接聊也可以在代码里用https://taotoken.net/api这个地址发请求。适合谁适合手里有好几个 AI 工具、不想每个都注册一遍的开发者尤其是比赛期间需要快速验证代码片段的人。接入前你需要准备三样东西这三件套在任何客户端里都要填全缺一个就连不上配置项值说明Base URLhttps://taotoken.net/api注意结尾不带/v1客户端会自动补API Key在 console 里生成形如sk-开头的一串Model ID如gpt-4o、claude-3-5-sonnet等按你订阅的模型填获取 Key 的路径打开官网https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content进 console 页面在 API Keys 里新建一个复制出来存好。注意 Key 只显示一次丢了就重新生成。为什么训练脚本里要接这个因为我在写分割评估脚本时torchmetrics的IoU计算维度对不上报错信息很模糊。我直接把报错贴到模型对话里让它帮我定位是preds的 shape 应该是[N, C, H, W]而不是[N, H, W]。这种即时问答比翻文档快得多。下面是用 Python 调用的最小示例import requests url https://taotoken.net/api/chat/completions headers { Authorization: Bearer sk-你的Key, Content-Type: application/json } data { model: gpt-4o, messages: [ {role: user, content: PyTorch 里计算多类分割 IoUpreds 和 target 的 shape 分别是什么} ] } resp requests.post(url, headersheaders, jsondata) print(resp.json()[choices][0][message][content])如果你用的是 Claude Code 这类编码工具配置方式是在 settings 里填 Base URL 和 KeyModel ID 选claude-3-5-sonnet。Cline 或 Roo Code 这类 VS Code 插件同理在 MCP 或 API 配置里把三件套填全。Codex 的话auth.json里需要写api_base和api_key两个字段。这些配置一次填好后面调参、排错、写评估脚本都能直接问。3. 可复制配置AlexNet 分割头改造与训练参数这一节直接给能跑的代码。先说网络改造原始 AlexNet 的classifier输出 1000 类我们要改成 30 类或 19 类并且去掉全连接换成卷积 上采样。下面是完整的分割版 AlexNetimport torch import torch.nn as nn import torch.nn.functional as F class AlexNetSeg(nn.Module): def __init__(self, num_classes19): super(AlexNetSeg, self).__init__() self.features nn.Sequential( nn.Conv2d(3, 64, kernel_size11, stride4, padding2), nn.ReLU(inplaceTrue), nn.MaxPool2d(kernel_size3, stride2), nn.Conv2d(64, 192, kernel_size5, padding2), nn.ReLU(inplaceTrue), nn.MaxPool2d(kernel_size3, stride2), nn.Conv2d(192, 384, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.Conv2d(384, 256, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.Conv2d(256, 256, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(kernel_size3, stride2), ) self.seg_head nn.Sequential( nn.Conv2d(256, 256, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.Dropout2d(0.1), nn.Conv2d(256, num_classes, kernel_size1) ) def forward(self, x): input_size x.shape[2:] x self.features(x) x self.seg_head(x) x F.interpolate(x, sizeinput_size, modebilinear, align_cornersFalse) return x关键改动点seg_head里用1x1卷积把通道数压到num_classes然后F.interpolate直接上采样回输入尺寸。这样输出和标签的H, W完全对齐算 loss 不用再 reshape。训练配置我用的是 AdamW 余弦退火学习率1e-4weight decay1e-4batch size 28G 显存跑 80 个 epoch。损失函数用CrossEntropyLoss(ignore_index255)因为 Cityscapes 里有些像素是 ignore 的。下面是训练循环的核心片段import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR device torch.device(cuda if torch.cuda.is_available() else cpu) model AlexNetSeg(num_classes19).to(device) criterion nn.CrossEntropyLoss(ignore_index255) optimizer optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max80) for epoch in range(80): model.train() total_loss 0 for imgs, masks in train_loader: imgs, masks imgs.to(device), masks.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, masks) loss.backward() optimizer.step() total_loss loss.item() scheduler.step() print(fEpoch {epoch1}, Loss: {total_loss/len(train_loader):.4f})如果你要用 TaoToken 的模型对话来帮你调参可以把这段配置贴进去问「学习率 1e-4 对 AlexNet 分割是不是偏大」。我实测下来AlexNet 的卷积核比较大浅层感受野宽学习率超过3e-4容易在第二轮就震荡。余弦退火比 StepLR 更稳因为后期学习率平滑降到接近 0模型能收敛得更细。还有一个配置细节Dropout2d放在seg_head里而不是features里因为分割任务对空间信息敏感在特征提取阶段加 dropout 会破坏像素间的邻域关系。这个点是我在模型对话里问出来的当时 loss 曲线抖动厉害去掉features里的 dropout 后曲线明显平滑。4. 验证请求与成功结果IoU 评估脚本和可视化训练完不能只看 loss得算 mIoU平均交并比。Cityscapes 官方评估是按类算 IoU 再平均我这里给一个简化版用混淆矩阵累加import numpy as np import torch def compute_iou(preds, targets, num_classes19, ignore_index255): preds torch.argmax(preds, dim1).cpu().numpy() targets targets.cpu().numpy() mask targets ! ignore_index preds preds[mask] targets targets[mask] iou_list [] for cls in range(num_classes): pred_cls preds cls target_cls targets cls intersection np.logical_and(pred_cls, target_cls).sum() union np.logical_or(pred_cls, target_cls).sum() if union 0: continue iou_list.append(intersection / union) return np.mean(iou_list), iou_list model.eval() all_ious [] with torch.no_grad(): for imgs, masks in val_loader: imgs, masks imgs.to(device), masks.to(device) outputs model(imgs) miou, _ compute_iou(outputs, masks) all_ious.append(miou) print(fValidation mIoU: {np.mean(all_ious):.4f})跑通后你会看到类似Validation mIoU: 0.4123的输出。AlexNet 在 Cityscapes 上做到 0.4 左右是正常水平因为它的主干只有 5 层卷积感受野和特征表达能力有限。如果想冲更高可以加 ASPP 或把主干换成 ResNet但那就不是 AlexNet 了。可视化分割结果用下面这段把原图、标签、预测拼在一起import matplotlib.pyplot as plt def visualize(model, img_tensor, mask_tensor, device): model.eval() with torch.no_grad(): pred model(img_tensor.unsqueeze(0).to(device)) pred torch.argmax(pred, dim1).squeeze().cpu().numpy() fig, axes plt.subplots(1, 3, figsize(15, 5)) axes[0].imshow(img_tensor.permute(1, 2, 0).numpy() * 0.229 0.485) axes[0].set_title(Input) axes[1].imshow(mask_tensor.numpy(), cmaptab20) axes[1].set_title(Ground Truth) axes[2].imshow(pred, cmaptab20) axes[2].set_title(Prediction) plt.show()成功的结果是预测图里道路、车辆、行人的轮廓能大致分辨出来边界会有锯齿但整体区域正确。如果预测图全是同一类说明模型没学到东西回去检查标签映射和 loss 是否下降。用 TaoToken 的模型对话验证时你可以把预测图描述成文字问「AlexNet 分割结果边界模糊加 CRF 后处理有用吗」。我试过加全连接 CRFmIoU 能涨 1-2 个点但推理速度慢很多比赛如果卡时间就不划算。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth这一节列真实报错和对应解法都是我在比赛期间踩过的。401 Unauthorized调 TaoToken API 时最常见。原因通常是 Key 没填对或 Base URL 写错。检查两点Key 是不是sk-开头且没有多余空格Base URL 是不是https://taotoken.net/api不要写成https://taotoken.net/api/v1有些客户端会自动补/v1你手动加了就变成/v1/v1。如果还报 401去 console 重新生成一个 Key。local proxy failed这个报错一般出现在客户端配置了本地代理但代理没启动。解法是检查客户端的网络设置把代理关掉或改成直连。注意这里不是让你去搞什么网络工具就是单纯把客户端里填的代理地址清空。reading choices 报错调 API 后解析响应时resp.json()[choices]报 KeyError。原因是返回结构里没有choices字段通常是请求体格式不对。检查messages是不是列表、model字段有没有拼错。正确响应长这样{ choices: [ { message: { role: assistant, content: preds 的 shape 应该是 [N, C, H, W] } } ] }OAuth 相关报错如果你用 Claude Code 或 Codex 这类工具配置里选了 OAuth 登录而不是 API Key可能会报 token 过期。解法是在设置里切换成 API Key 模式把 TaoToken 的三件套填进去。Codex 的auth.json里要确保api_base指向https://taotoken.net/apiapi_key填你的 Key。还有一个训练侧的报错RuntimeError: Expected target size [2, 512, 1024], got [2, 512, 1024, 3]。这是标签没做long()转换或维度没 squeeze。检查mask是不是[N, H, W]而不是[N, H, W, C]用mask.squeeze()或mask[:, 0, :, :]处理。6. 把统一 Key 接进你的比赛工作流比赛期间时间紧最怕的是工具链切换浪费时间。我的做法是训练脚本在本地跑调参和排错走 TaoToken 的模型对话编码辅助用 Claude Code 接同一个 Key。这样从写数据加载到调 loss 函数再到算 mIoU整个流程不用换账号。具体接入路径模型对话直接开https://taotoken.net/api/chat/completions对应的网页端编码工具在 settings 里填 Base URLhttps://taotoken.net/api、Key、Model IDAPI 调用就用上面给的 Python 示例。三件套填全任何客户端都能连。如果你打算长期做分割或 Agent 类项目Coding Plan 比按次调 API 更划算适合高频问答场景。接入文档里有各客户端的详细配置截图照着填就行。最后给一个实用技巧把训练配置和评估脚本存成模板下次换数据集只改num_classes和路径。AlexNet 虽然老但作为分割入门的第一块跳板它的结构清晰、改动点少跑通一遍之后你再换 DeepLab 或 SegFormer会发现思路是通的。比赛结果不重要重要的是你手里有了一套能复现的流程。