基于 PyTorch 和 ResNet-101 的猫狗图像分类项目，使用迁移学习进行二分类任务。

• train.py: 模型训练脚本，包含训练、验证、评估和可视化功能
• test.py: 测试集预测脚本，对测试集进行预测并生成可视化结果
• dog_rename.py: 对训练集中狗的图片进行重命名，避免编号重复引起歧义和冲突，仅在开始时运行一次即可
• dataset.py: 自定义数据集类 DogCat，用于加载和处理图像数据
• models.py: ResNet 模型定义，包含 ResNet-18/34/50/101/152 的实现

• requirements.txt: Python 依赖包列表

pip install -r requirements.txt

cd code
python train.py --num_workers 0 --nepoch 10

主要参数：

• --num_workers: 数据加载进程数（Windows 建议设为 0）
• --nepoch: 训练轮数
• --batchSize: 批次大小（默认 64）
• --lr: 学习率（默认 0.001）
• --early_stop: 启用早停（默认启用）
• --patience: 早停耐心值（默认 2）

cd code
python test.py --num_workers 0 --num_samples 8

主要参数：

• --model_path: 模型权重路径（默认 ../results/best_model.pth）
• --num_samples: 可视化样本数量（默认 8）
• --test_dir: 测试集目录（默认 ../data/test1）

训练完成后，结果保存在 ../results/ 目录：

• best_model.pth: 最佳模型权重
• logs/tensorboard/train/: TensorBoard 训练日志
• logs/test_predictions.csv: 测试集预测结果
• figures/test_predictions.png: 测试集预测可视化拼图

1. 数据路径：代码中使用相对路径 ../data/，请确保数据目录结构正确
2. Windows 系统：建议将 --num_workers 设置为 0 以避免多进程问题
3. GPU 支持：代码会自动检测 CUDA，如无 GPU 会自动使用 CPU