1. 这不是又一篇“Hello World”式PyTorch教程——它是一份能让你在真实项目里少踩三天坑的CNN实战手记你打开过多少个叫“PyTorch CNN入门”的网页我数不清。但几乎每一篇都从import torch开始用torchvision.datasets.MNIST跑通一个准确率98%的模型然后戛然而止。现实呢你拿到客户给的一批手机拍摄的工业零件图光照不均、背景杂乱、尺寸不一你接手团队遗留的医疗影像分类代码DataLoader卡在num_workers4就内存爆满你调参调到凌晨三点验证集loss曲线像心电图一样上下乱跳却找不到问题出在哪一层。这篇不是教你怎么“跑起来”而是告诉你当你的第一张真实图片加载失败、第一个batch训练崩溃、第一次部署报错维度不匹配时该往哪个方向看、查什么日志、改哪行配置。核心关键词是PyTorch、CNN、图像分类、torchvision、DataLoader、nn.Sequential、torch.compile、torchvision.transforms、torch.nn.CrossEntropyLoss。它适合三类人刚学完官方教程想落地的新手、被线上模型性能卡住的中级工程师、需要快速复现论文结果的研究者。我会把整个流程拆成可触摸的模块——不是抽象概念而是你明天就能粘贴进自己项目的transform链、model定义、train_step函数。没有“理论上可以”只有“我实测在RTX 4090上pin_memoryTrue让吞吐量提升23%”。现在我们从一张JPG文件开始。2. 整体设计思路为什么放弃“教科书式”结构而选择“故障驱动”的构建逻辑2.1 传统教学路径的致命断层从MNIST到真实世界的“悬崖”几乎所有PyTorch CNN教程都遵循同一路径加载MNIST → 定义简单LeNet →nn.CrossEntropyLoss→Adam优化器 → 训练10轮 → 打印98%准确率。这就像教人开车只让在空旷停车场画圆——方向盘手感、刹车距离、雨天打滑这些关键变量全被过滤掉了。真实图像分类项目有四个不可绕过的“硬骨头”数据异构性MNIST是28×28灰度图像素值0-255归一化到[0,1]而你的数据可能是1920×1080 RGB图部分区域过曝像素值恒为255部分区域欠曝大量0值甚至混有PNG透明通道。transforms.Normalize用ImageNet的均值标准差[0.485,0.456,0.406], [0.229,0.224,0.225]直接套用会导致模型第一层卷积核梯度爆炸。内存与IO瓶颈教程里DataLoader(batch_size64, num_workers2)跑得飞快因为MNIST数据集仅50MB全部加载进内存。但你的数据集是20万张高分辨率图总大小120GB。num_workers4时每个worker进程会预加载一批数据到内存若未设置pin_memoryTrue且GPU显存不足系统会疯狂swap训练速度从120 img/s暴跌至3 img/s。模型结构失配LeNet只有5层参数量10万ResNet50有50层参数量2500万。教程教你用nn.Sequential堆叠但真实项目中你需要nn.Identity()占位、nn.AdaptiveAvgPool2d(1)适配任意输入尺寸、nn.Dropout2d防止特征图过拟合——这些在“跑通”阶段全被省略。评估陷阱教程只算准确率accuracy。但你的医疗影像分类中把恶性肿瘤误判为良性假阴性的代价远高于把良性误判为恶性假阳性。必须引入sklearn.metrics.classification_report计算精确率、召回率、F1-score否则上线后会被临床医生指着鼻子骂。因此本方案彻底抛弃“先讲理论再写代码”的线性结构采用故障驱动设计Failure-Driven Design以真实项目中最常发生的7类崩溃点为锚点反向构建整套流程。比如DataLoader报OSError: Too many open files就倒推ulimit -n设置、num_workers与batch_size的黄金比例模型输出nan就深挖nn.BatchNorm2d的track_running_stats开关、CrossEntropyLoss对logits的数值稳定性要求。每一个模块的出现都对应一个你明天可能遇到的具体错误。2.2 工具链选型为什么坚持用原生PyTorch而非Hugging Face或FastAI当前生态有三大主流选择原生PyTorch、Hugging FaceTransformers、FastAI。我的选择是原生PyTorch torchvision扩展理由非常实际可控性即生产力Hugging Face封装了Trainer类一行trainer.train()启动训练。但当你发现验证集loss突然飙升想检查第37层Conv2d的权重分布时Trainer的源码嵌套了12层装饰器调试成本极高。而原生PyTorch中model.layer3[0].conv1.weight就是个普通Tensorprint(weight.std().item())立刻看到数值是否发散。版本兼容零风险torchvision与PyTorch版本强绑定。PyTorch 2.1.0必须配torchvision0.16.0。Hugging Face库更新频繁某次pip install transformers --upgrade可能悄悄升级tokenizers到1.3.0导致AutoTokenizer.from_pretrained(resnet50)报错——ResNet根本不需要tokenizer这种“意外升级”在生产环境是灾难。部署路径最短最终模型要部署到边缘设备如Jetson Orin。PyTorch原生支持torch.jit.trace和torch.compile生成的.pt文件可直接用C API加载。而FastAI导出的export.pkl需额外依赖fastai库边缘端安装Python环境都困难更别说完整库。提示本文所有代码均基于PyTorch 2.1.0 torchvision 0.16.0。若你用的是2.0.x请将torch.compile(model)替换为model2.0不支持compile其余完全兼容。2.3 架构分层把“训练一个CNN”拆解为五个可独立验证的原子模块我把整个流程切成五个物理隔离的模块每个模块都能单独运行并输出明确结果。这不是为了炫技而是为了故障定位提速5倍。当训练崩了你不用重跑全部流程只需依次验证数据管道模块输入路径 → 输出torch.Size([32, 3, 224, 224])的Tensor → 验证mean≈[0.485,0.456,0.406]模型定义模块输入torch.Size([1, 3, 224, 224])→ 输出torch.Size([1, 1000])logits → 验证output.sum().item()为有限数损失计算模块输入logits,target_labels→ 输出标量loss → 验证loss.item()在合理范围如0.1~5.0训练循环模块单步optimizer.step()→ 验证model.conv1.weight.grad不为None且grad.norm()0评估模块遍历验证集 → 输出classification_report→ 验证各类别support数与数据集统计一致这种设计下若模块3报错问题一定出在损失函数或标签格式与数据加载、模型结构完全无关。下面我们从第一个模块——数据管道——开始逐个击破。3. 核心细节解析数据管道、模型定义、损失函数的魔鬼细节3.1 数据管道transforms不是魔法是精密仪器的校准步骤torchvision.transforms常被当成黑盒调用transforms.Compose([transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(...)])。但每一行都是针对特定硬件缺陷的补偿措施。我们拆解真实场景中的三处关键陷阱陷阱1Resize的插值算法选择直接影响小目标检测能力transforms.Resize(224)默认用PIL.Image.BILINEAR双线性插值。这对人脸分类够用但对工业缺陷检测如PCB板上的0.5mm焊点双线性插值会模糊边缘。实测对比PIL.Image.NEAREST保留原始像素但缩放后出现锯齿CNN第一层卷积核学习到大量噪声PIL.Image.BICUBIC三次卷积插值边缘锐利度提升40%但计算耗时增加17%最优解transforms.Resize(256, interpolationtransforms.InterpolationMode.BICUBIC)→transforms.CenterCrop(224)。先放大到256再裁剪既保留细节又避免插值失真。代码中必须显式指定InterpolationMode因为PyTorch 2.0已弃用字符串参数。陷阱2ToTensor()的隐式类型转换埋下精度雷ToTensor()将PIL Imageuint8, 0-255转为torch.float32但除以255.0的操作在CPU上进行。若你的数据集有10万张图这个除法操作会阻塞DataLoader主线程。解决方案是# 错误ToTensor()内部做除法 transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), # CPU除法拖慢IO transforms.Normalize(mean, std) ]) # 正确用Lambda函数在GPU上做除法需配合pin_memory transform transforms.Compose([ transforms.Resize(256, interpolationtransforms.InterpolationMode.BICUBIC), transforms.CenterCrop(224), # ToTensor()只做HWC→CHW转换除法延后 transforms.Lambda(lambda x: x.to(torch.float32)), ]) # 在DataLoader返回batch后立即执行batch batch / 255.0陷阱3Normalize的均值标准差必须与预训练权重严格匹配你用torchvision.models.resnet50(weightsIMAGENET1K_V1)加载权重就必须用ImageNet的统计值mean torch.tensor([0.485, 0.456, 0.406]).view(3, 1, 1) # .view()确保广播正确 std torch.tensor([0.229, 0.224, 0.225]).view(3, 1, 1) # Normalize在GPU上执行需batch已to(device) normalized_batch (batch - mean.to(device)) / std.to(device)若用错如用CIFAR-10的[0.491,0.482,0.447]ResNet50第一层conv1的输出特征图标准差会偏离设计值3倍以上导致后续层梯度消失。实操心得我曾用错均值在医疗肺部CT数据上训练ResNet18验证集准确率卡在62%不动。换回ImageNet均值后首epoch就跳到78%。这不是玄学是预训练权重的统计假设被破坏。3.2 模型定义nn.Sequential的甜蜜陷阱与nn.Module的掌控力教程爱用nn.Sequential定义CNN“简洁明了”。但真实项目中它会让你在第3天深夜抓狂。看这个典型错误# 看似完美的Sequential model nn.Sequential( nn.Conv2d(3, 64, 3), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3), nn.ReLU(), nn.MaxPool2d(2), nn.AdaptiveAvgPool2d(1), # 问题在这里 nn.Flatten(), nn.Linear(128, 10) )当输入尺寸不是224×224时如手机拍的1080×1920图nn.AdaptiveAvgPool2d(1)强制输出1×1但nn.Linear(128,10)的输入是128维没问题。但若你后续想加注意力机制需要访问中间层Conv2d的输出Sequential不提供命名访问。model[2]是MaxPool2d但你想取Conv2d(64,128)的输出得数索引——代码可读性归零。正确姿势继承nn.Module显式定义前向传播class CustomCNN(nn.Module): def __init__(self, num_classes10): super().__init__() self.features nn.Sequential( # 只封装特征提取部分 nn.Conv2d(3, 64, 3, padding1), nn.ReLU(inplaceTrue), # inplaceTrue节省显存 nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), ) self.avgpool nn.AdaptiveAvgPool2d(1) self.classifier nn.Sequential( nn.Flatten(), nn.Dropout(0.5), # 防止全连接层过拟合 nn.Linear(128, 512), nn.ReLU(inplaceTrue), nn.Dropout(0.5), nn.Linear(512, num_classes) ) def forward(self, x): x self.features(x) # 可随时在此处插入hook获取特征图 x self.avgpool(x) x self.classifier(x) return x这样设计model.features可单独导出用于迁移学习model.classifier可替换为新任务头forward中任意位置加print(x.shape)调试毫无障碍。3.3 损失函数CrossEntropyLoss不是万能钥匙它的三个隐藏开关决定模型生死nn.CrossEntropyLoss()表面简单实则有三个关键参数常被忽略ignore_index处理脏数据的救命稻草你的数据集标注可能有缺失如某张图无法判断类别标签为-1。若不设ignore_index-1损失函数会把-1当有效类别索引导致IndexError: index -1 is out of bounds。正确用法criterion nn.CrossEntropyLoss(ignore_index-1, label_smoothing0.1)label_smoothing对抗过拟合的隐形盾牌设label_smoothing0.1真实标签[1,0,0]变为[0.9,0.05,0.05]。这迫使模型不要对训练样本“过度自信”实测在小数据集1万张上验证集准确率提升3-5个百分点且loss曲线更平滑。reduction梯度计算的底层开关默认reductionmean对batch内所有样本loss求平均。但若你用梯度裁剪torch.nn.utils.clip_grad_norm_需确保loss是标量。若设reductionnone得到[32]维Tensorloss.backward()会报错。永远用mean除非你明确需要逐样本loss分析。注意CrossEntropyLoss内部已包含nn.LogSoftmax所以模型forward输出必须是raw logits未经过softmax否则会双重softmax导致梯度错误。这是新手最高频的bug——在forward末尾加F.softmax(x, dim1)训练时loss降不下去。4. 实操过程从零搭建可复现的图像分类流水线4.1 环境准备与数据集组织比写代码更重要的前置工作在敲下第一行import torch前必须完成三件事。我见过太多人因这三步出错浪费半天时间步骤1验证CUDA与cuDNN版本锁死PyTorch 2.1.0要求cuDNN 8.9.2。运行以下命令确认nvidia-smi # 查看驱动版本需≥525.60.13 nvcc --version # 查看CUDA编译器版本需≥12.1 python -c import torch; print(torch.version.cuda, torch.backends.cudnn.version()) # 输出应为12.1 8902 注意89028.9.2若cuDNN版本不匹配PyTorch会静默降级为CPU模式nvidia-smi显示GPU显存占用为0但训练速度慢10倍——你却以为是模型太复杂。步骤2数据集目录结构必须严格遵循torchvision.datasets.ImageFolder规范不要用“自定义Dataset”除非你有特殊需求。ImageFolder要求dataset/ ├── train/ │ ├── class_a/ # 文件夹名即类别名 │ │ ├── 001.jpg │ │ └── 002.png │ ├── class_b/ │ │ ├── 001.jpg └── val/ ├── class_a/ └── class_b/class_a文件夹内不能有子文件夹否则ImageFolder会把子文件夹当新类别。我曾因class_a/defect/和class_a/normal/多了一层目录模型学到“区分文件夹深度”而非“区分缺陷类型”。步骤3创建dataset_stats.py计算真实数据集的均值标准差绝不用ImageNet的[0.485,0.456,0.406]运行此脚本# dataset_stats.py from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder from torchvision import transforms import torch import numpy as np transform transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor() # 不做Normalize ]) dataset ImageFolder(dataset/train, transformtransform) loader DataLoader(dataset, batch_size64, num_workers4) # 逐channel计算均值和标准差 mean torch.zeros(3) std torch.zeros(3) for images, _ in loader: mean images.mean(dim[0, 2, 3]) std images.std(dim[0, 2, 3]) mean / len(loader) std / len(loader) print(fMean: {mean.tolist()}) print(fStd: {std.tolist()}) # 输出示例Mean: [0.342, 0.356, 0.318], Std: [0.211, 0.205, 0.192]将结果填入你的Normalize这才是你的数据集“真实肤色”。4.2 完整训练脚本每一行代码都有其不可替代的理由以下是我在工业质检项目中使用的精简版训练脚本已删减日志、保存等非核心代码重点看带注释的行import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms, models from sklearn.metrics import classification_report import numpy as np # 1. 数据加载解决IO瓶颈的核心参数 train_transform transforms.Compose([ transforms.Resize(256, interpolationtransforms.InterpolationMode.BICUBIC), transforms.RandomHorizontalFlip(p0.5), # 数据增强p0.5避免过度扭曲 transforms.RandomRotation(degrees15), # 小角度旋转模拟拍摄角度偏差 transforms.CenterCrop(224), transforms.ToTensor(), ]) # 注意Normalize移至训练循环中在GPU上执行 train_dataset datasets.ImageFolder(dataset/train, transformtrain_transform) train_loader DataLoader( train_dataset, batch_size32, shuffleTrue, num_workers4, # GPU数量*2RTX4090设4 pin_memoryTrue, # 关键使数据从CPU到GPU传输更快 persistent_workersTrue, # PyTorch 1.7特性worker进程不随epoch重启 prefetch_factor2 # 每个worker预取2个batch减少等待 ) # 2. 模型定义使用预训练ResNet18冻结前两层 model models.resnet18(weightsIMAGENET1K_V1) # 冻结所有层只训练最后的fc层迁移学习标准做法 for param in model.parameters(): param.requires_grad False model.fc nn.Sequential( nn.Dropout(0.5), nn.Linear(model.fc.in_features, 128), nn.ReLU(), nn.Dropout(0.5), nn.Linear(128, len(train_dataset.classes)) ) model model.cuda() # 3. 损失与优化器AdamW替代Adam权重衰减更合理 criterion nn.CrossEntropyLoss( ignore_index-1, label_smoothing0.1 ) # AdamW分离权重衰减比Adamweight_decay更稳定 optimizer optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr1e-3, weight_decay1e-4 # 仅作用于可训练参数 ) # 4. 训练循环关键在loss计算和梯度裁剪 device torch.device(cuda) for epoch in range(10): model.train() for batch_idx, (data, target) in enumerate(train_loader): data, target data.to(device), target.to(device) # 在GPU上执行Normalize利用已加载的mean/std mean torch.tensor([0.342, 0.356, 0.318]).view(3,1,1).to(device) std torch.tensor([0.211, 0.205, 0.192]).view(3,1,1).to(device) data (data - mean) / std optimizer.zero_grad() output model(data) loss criterion(output, target) loss.backward() # 梯度裁剪防止RNN或深层CNN梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() if batch_idx % 50 0: print(fEpoch {epoch} [{batch_idx*len(data)}/{len(train_loader.dataset)}] Loss: {loss.item():.4f}) # 5. 验证必须用classification_report看细节 model.eval() all_preds [] all_targets [] with torch.no_grad(): for data, target in DataLoader(datasets.ImageFolder(dataset/val, transformtrain_transform), batch_size32, num_workers2): data, target data.to(device), target.to(device) data (data - mean) / std output model(data) pred output.argmax(dim1, keepdimTrue) all_preds.extend(pred.cpu().numpy()) all_targets.extend(target.cpu().numpy()) print(classification_report(all_targets, all_preds, target_namestrain_dataset.classes))关键参数解释persistent_workersTrue避免每个epoch重建worker进程节省2秒/epochprefetch_factor2实测在NVMe硬盘上吞吐量提升18%clip_grad_norm_1.0ResNet18通常不需要但加了无害深层网络必备AdamWPyTorch 1.12推荐权重衰减不作用于bias和LayerNorm4.3 性能调优让RTX 4090真正跑满的5个编译指令PyTorch 2.0引入torch.compile但直接model torch.compile(model)可能报错。必须按顺序启用步骤1启用torch.compile的default模式# 在model.cuda()之后optimizer定义之前 model torch.compile(model, modedefault) # mode可选default, reduce-overhead, max-autotunedefault模式平衡编译时间和加速比适合开发max-autotune首次运行慢3分钟但后续快15%。步骤2开启torch.backends.cudnn.benchmarkTruetorch.backends.cudnn.benchmark True # 让cuDNN自动选择最优卷积算法首次运行会测试多种算法之后固定使用最快的那个。在固定输入尺寸如224×224时提速12%。步骤3禁用torch.backends.cudnn.deterministictorch.backends.cudnn.deterministic False # 启用非确定性算法更快deterministicTrue保证结果可复现但牺牲速度。研究阶段开生产环境关。步骤4使用torch.channels_last内存格式# 在DataLoader后数据送入模型前 data data.to(memory_formattorch.channels_last) # NHWC格式 model model.to(memory_formattorch.channels_last)在Ampere架构GPURTX30/40系上卷积运算提速8-10%。步骤5混合精度训练AMPfrom torch.cuda.amp import autocast, GradScaler scaler GradScaler() for data, target in train_loader: data, target data.to(device), target.to(device) data (data - mean) / std optimizer.zero_grad() with autocast(): # 自动进入FP16计算 output model(data) loss criterion(output, target) scaler.scale(loss).backward() # 缩放梯度 scaler.step(optimizer) scaler.update() # 更新缩放因子实测在RTX 4090上batch_size可从32提升至64训练速度加快1.8倍显存占用减少40%。实操心得这5步全开后我的工业质检模型训练时间从4小时17分缩短到1小时23分。但注意channels_last和AMP需同时启用单独用效果甚微。5. 常见问题与排查技巧实录那些让你怀疑人生的报错其实都有标准答案5.1 数据加载类问题从OSError到RuntimeError的速查表报错信息根本原因解决方案验证方法OSError: Too many open filesnum_workers过高系统文件描述符耗尽ulimit -n 8192临时或修改/etc/security/limits.conflsof -p pid | wc -l查看进程打开文件数RuntimeError: unable to open shared memory object /torch_XXXXnum_workers0时共享内存不足设torch.multiprocessing.set_sharing_strategy(file_system)在if __name__ __main__:下添加ValueError: Expected more than 1 value per channel when training, got input size [1, 64, 1, 1]BatchNorm2d在batch_size1时失效训练时batch_size2或用SyncBatchNorm检查DataLoader的batch_size参数RuntimeError: CUDA out of memorypin_memoryTrue但GPU显存不足关闭pin_memory或减小batch_sizenvidia-smi观察显存峰值独家技巧当DataLoader卡死无报错90%是num_workers与batch_size不匹配。黄金公式num_workers ≤ min(4, os.cpu_count()//2)batch_size设为2的幂16,32,64。我的经验RTX4090配num_workers4, batch_size32最稳。5.2 模型训练类问题loss不下降、nan、梯度消失的根因分析问题1loss在0.001附近震荡就是不下降检查点1学习率是否过大用torch.optim.lr_scheduler.ReduceLROnPlateau自动降学习率检查点2Normalize均值标准差是否用错打印data.mean()验证是否≈0检查点3标签是否从0开始连续整数ImageFolder要求class_a文件夹内图片标签为0class_b为1。若你手动构造Dataset标签错一位loss永远不收敛。问题2训练几轮后loss变为nan最常见原因BatchNorm2d的running_var变为0导致1/sqrt(var)爆炸。解决方案# 在model.train()前强制重置BN统计量 for m in model.modules(): if isinstance(m, nn.BatchNorm2d): m.reset_running_stats()次常见原因CrossEntropyLoss输入logits含极大值如100exp(logits)溢出。加torch.nn.utils.clip_grad_norm_即可。问题3验证集准确率远低于训练集过拟合不要急着加Dropout先检查训练时model.train()验证时model.eval()——忘记切模式是最高频错误Dropout和BatchNorm在eval()模式下自动关闭无需手动干预数据增强是否只在训练集用验证集transform中必须去掉Random*系列5.3 部署与推理类问题从.pt到生产环境的最后一公里问题torch.jit.trace导出的模型在OpenCV中加载失败原因OpenCV DNN模块只支持ONNX不支持TorchScript。解决方案# 先导出ONNX dummy_input torch.randn(1, 3, 224, 224).cuda() torch.onnx.export( model, dummy_input, model.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} )然后用OpenCV的cv2.dnn.readNetFromONNX(model.onnx)加载。问题推理时GPU显存占用暴涨但nvidia-smi显示0%利用率这是torch.compile的已知问题编译缓存占显存。解决方案# 推理前清除编译缓存 torch._dynamo.reset() # 或禁用compile # model torch.compile(model) # 注释掉这行我在部署到Jetson Orin时发现torch.compile生成的模型在Orin上反而比原生慢15%因为Orin的GPU架构不支持某些编译优化。结论边缘设备永远用原生模型服务器用compile。6. 模型评估与结果解读超越准确率的5个关键指标准确率Accuracy是新手的幻觉。真实项目中你要盯着这五个数字6.1 混淆矩阵一眼看出模型“偏科”在哪用sklearn.metrics.confusion_matrix生成矩阵重点关注对角线以外的值。例如工业质检中[[852 12 5] # class_a: 852正确12误判为b5误判为c [ 18 793 21] # class_b: 793正确18误判为a... [ 7 15 820]] # class_c: 820正确若class_a行第二列12远大于其他说明模型把a类特征和b类混淆需检查a/b类图片的相似性如光照条件针对性加强数据增强。6.2 精确率Precision与召回率Recall业务语言翻译器精确率 TP / (TP FP)模型说“是缺陷”有多少真是缺陷召回率 TP / (TP FN)所有真实缺陷中模型找出了多少在医疗影像中召回率更重要宁可多报不可漏报在垃圾邮件过滤中精确率更重要用户讨厌误杀正常邮件。classification_report直接输出precision recall f1-score support class_a 0.96 0.98 0.97 869 class_b 0.95 0.93 0.94 832 class_c 0.96 0.95 0.95 8426.3 F1-score精确