PyTorch图像分类避坑指南：MobileNetV2实战中的七个致命陷阱

第一次用PyTorch跑通MobileNetV2的花卉分类时，我以为自己已经征服了深度学习。直到在真实业务场景中复现模型，才发现从数据准备到模型评估的每个环节都暗藏杀机——某个深夜，当我第17次遇到RuntimeError: Expected 4-dimensional input for 4-dimensional weight错误时，终于意识到那些教程里轻描淡写的步骤，实际都是新手的地雷阵。

1. 数据准备阶段的隐形炸弹

1.1 标签文件的编码陷阱

花卉数据集的annotations.txt看似简单，但Windows和Linux环境下换行符差异会导致标签读取失败。更隐蔽的是UTF-8-BOM编码，它会让第一行类别神秘消失：

python复制# 正确的标签读取方式
with open('annotations.txt', 'r', encoding='utf-8-sig') as f:  # 注意utf-8-sig
    lines = [line.strip() for line in f if line.strip()]

典型报错现象：

• KeyError: 'daisy' 但文件明明有这个类别
• 验证集准确率始终为0，因为标签与预测完全错位

1.2 数据集划分的路径玄学

split_data.py脚本要求原始数据集路径必须使用正斜杠，即使用Windows系统也不例外。反斜杠路径会导致FileNotFoundError的灵异事件：

python复制# 错误示范（Windows原生路径）
init_dataset = 'C:\Users\Project\flower_photos'  # 必定报错

# 正确写法
init_dataset = 'C:/Users/Project/flower_photos'  # 或使用raw字符串r'C:\...'

实战建议：在路径处理代码中加入path = path.replace('\\', '/')强制转换

2. 模型配置中的参数雷区

2.1 预训练权重加载的版本鸿沟

MobileNetV2的PyTorch官方权重与第三方