选题之痛：为什么 80% 的深度学习毕设“跑不通”
先把我踩过的坑摆出来，大家看看有没有同款：
- 论文里贴一张 95%+ 的准确率截图，结果 GitHub 下来的代码缺
utils.py，权重链接失效，复现直接卡死。 - 所有
.py堆在根目录，训练、测试、绘图全写进 800 行的main.py，想改个 batch size 得翻半天。 - 没有环境说明，conda 里 TensorFlow 1.x/2.x 混装，一跑就 ABI 冲突。
- README 只有一句“run train.py”，连数据放哪都没提，Issue 区常年 0 回复。
这些“原罪”让毕设只能躺在简历的“链接”一栏，面试时根本不敢点开。想让项目真正“活”起来，得从选题阶段就注入“可复现 + 可部署”的基因。
技术选型：PyTorch vs TensorFlow 教学向 PK
如果导师没硬性要求，我直接押 PyTorch，理由简单粗暴：
| 维度 | PyTorch | TensorFlow 2.x |
|---|---|---|
| 调试体验 | 动态图，pdb 想停哪就停哪 | 静态图优化好，但 @tf.function 调试像猜谜 |
| 教学资源 | 各大学 MOOC、书、博客 90% 用 PyTorch | TF 官方文档多，却常跳票 |
| 模型库 | timm、torchvision 一行代码调 ResNet | TF Hub 国内下载速度劝退 |
| 部署生态 | TorchServe、ONNX、torch2trt 任选 | TF Serving 强，但镜像 2 GB+，笔记本拉不动 |
一句话：在学校有限 GPU、有限时间、无限报错的环境下，PyTorch 出错成本最低，开源后别人也乐意 star。
核心实现：把“实验笔记本”拆成“工程”
先放一张工程目录快照，后面所有脚本都按这个约定放：
- 数据预处理独立成
dataset.py，继承torch.utils.data.Dataset，把下载、解压、MD5 校验全封装。别人python dataset.py --download就能拿到一模一样的一筐图片。 - 模型定义放
models/目录，一个类一个文件；用timm.create_model时可以写 wrapper，保证统一接口，方便后期换 backbone。 - 训练脚本
train.py只负责三件事：- 解析 config（YAML 或 argparse，二选一即可）
- 实例化
DataLoader+nn.Module+Trainer - 循环调用
trainer.fit()，把日志写进runs/目录，TensorBoard 一键可视化
- 指标与可视化拆到
metrics.py、vis.py，训练阶段不 import 就 0 开销，推理阶段也能复用。 - 保存权重时只存
state_dict，再附一个config.yaml，别人加载时必须“显式”对齐结构，杜绝“魔法数字”。
这样拆完，代码行数单文件 <200 行，review 时一眼定位，开源后别人提 PR 也有章可循。
代码实战：用 Flask 给 ResNet50 套个“外壳”
下面这份app.py不到 80 行，遵循 Clean Code 的“函数长度 < 屏幕”原则，可直接嵌进毕设仓库的deployment/目录。
# deployment/app.py import io, json, torch, torchvision.transforms as T from PIL import Image from flask import Flask, request, jsonify from models.resnet import get_model # 自己封的工厂函数 app = Flask(__name__) device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 全局加载一次，避免每个请求重复 IO model = get_model(num_classes=10, checkpoint="weights/best.pth") model.to(device) model.eval() # 图像预处理与训练阶段保持一致 transform = T.Compose([ T.Resize(256), T.CenterCrop(224), T.ToTensor(), T.Normalize([0.485,0.456,0.406], [0.229,0.224,0.225]) ]) def preprocess(byte_stream): """PIL -> Tensor -> 添加 batch 维度""" img = Image.open(io.BytesIO(byte_stream)).convert("RGB") return transform(img).unsqueeze(0).to(device) @app.route("/ping", methods=["GET"]) def ping(): return "pong", 200 @app.route("/predict", methods=["POST"]) def predict(): if "file" not in request.files: return jsonify(error="No file part"), 400 file = request.files["file"].read() x = preprocess(file) with torch.no_grad(): out = model(x) prob = torch.nn.functional.softmax(out, dim=1) return jsonify( label=int(prob.argmax(1)), confidence=float(prob.max()) ) if __name__ == "__main__": # 单进程调试，生产环境用 gunicorn -w 4 -b 0.0.0.0:8000 app:app app.run(host="0.0.0.0", port=8000, debug=False)要点说明：
- 预处理参数写死在一个函数里，方便单元测试。
/ping健康检查接口，K8s 或 Docker Compose 依赖它做重启策略。- 不保存上传图片，内存流直接走
io.BytesIO，隐私合规。 - 返回 json 只含 int/float，方便前端解析，也避免
np.int32不可序列化踩坑。
冷启动 & 轻量化：让模型在 2 GB 笔记本上也能跑
- 权重裁剪：训练完先用
torch.nn.utils.prune做 30% 稀疏化，再知识蒸馏回相同结构，准确率掉 0.5%，体积少 40%。 - 动态量化：
torch.quantization.quantize_dynamic(model, {nn.Linear}, dtype=torch.qint8)一行代码，CPU 推理延迟降 2×。 - Docker 多阶段构建：先用
pytorch/pytorch:1.13-cuda11.6-devel把依赖装好，再把*.pth和app.py拷进python:3.9-slim，镜像从 5.6 GB 压到 1.2 GB。 - 预拉模型：CI 里把权重放对象存储，构建时
wget拉取，避免 Git LFS 把仓库撑爆。
生产环境避坑指南
- Git 提交：用 Conventional 规范打 tag，比如
feat、fix、docs，CHANGELOG 自动生成，Release 页面看着专业。 - 版本锁定：requirements.txt 里写死
torch==1.13.0+cu116，再配requirements-dev.txt放 pytest、black，CI 跑 lint 不通过直接打回。 - README 三段式：
- 徽章行：CI / Docker / License 徽章放一排，一眼可信。
- 快速开始：给一条
docker run命令，5 秒内看到/ping返回 pong。 - 目录结构：用 tree 命令截图，别手打，减少错别字。
- 开源协议：MIT 最宽松，保留署名即可；如果用了 GPL 组件，一定在 Legal 小节注明，避免法务邮件惊吓。
- Issue 模板：
.github/ISSUE_TEMPLATE/bug_report.md提前写好复现步骤、环境、日志，减少无效提问。
把毕设“翻新”成可落地的开源项目
- 先把代码按上面目录拆干净，删掉绝对路径、硬编码。
- 补单元测试：用 pytest 把
dataset、metrics核心函数跑一遍，CI 绿标是最佳广告。 - 写 Jupyter 教程：在
notebooks/里放“训练-验证-推理”三步走，GitHub 可直接渲染。 - 录 3 分钟 GIF：展示如何 docker pull & predict，放 README 最上方，访客不用滚页就明白项目能干啥。
- 最后一步，点下 GitHub 的 Public 按钮，把链接贴进简历，面试时放心让面试官自己点进去看。
别等“有空再整理”，ddl 后的第一周热情最高，现在就把仓库拖出来重构。等你收到第一个外部 PR，会发现开源不是加分项，而是让毕设真正“活”下去的开始。祝你早日把 star 数写进简历，让下一届学弟学妹搜到你的项目就能顺利毕业。
