训练的时候缩放，推理的时候，在模型中缩放！

net/food_net.py

@@ -9,16 +9,26 @@ class FoodCNN(nn.Module):
     """
     食物分类CNN模型
     基于CIFAR10结构，适配3分类任务
+    use_internal_preprocess 是否在模型内部预处理
+    训练的时候，
     """
-    def __init__(self):
+    def __init__(self, use_internal_preprocess=False):
         super(FoodCNN, self).__init__()
-        # 图片预处理变换
+        self.use_internal_preprocess = use_internal_preprocess
+        
+        # 图片预处理变换（仅在推理时使用）
         self.preprocess = transforms.Compose([
             transforms.Resize((32, 32)),
             transforms.ToTensor(),
             transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))
         ])
         
+        # 内部预处理变换（用于已经是tensor但未归一化的数据）
+        self.internal_preprocess = transforms.Compose([
+            # 不包含Resize，因为训练时已经在DataLoader中处理了
+            transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))
+        ])
+        
         # 第一个卷积块
         self.conv1 = nn.Conv2d(3, 32, 3, padding=1)
         self.conv2 = nn.Conv2d(32, 32, 3, padding=1)
@@ -65,6 +75,10 @@ class FoodCNN(nn.Module):
         return processed.unsqueeze(0)
     
     def forward(self, x):
+        # 如果启用内部预处理且输入是tensor
+        if self.use_internal_preprocess and isinstance(x, torch.Tensor):
+            x = self.internal_preprocess(x)
+        
         # 第一个卷积块
         x = F.relu(self.conv1(x))
         x = F.relu(self.conv2(x))
@@ -94,14 +108,17 @@ class FoodCNN(nn.Module):
         return x
 
 
-def create_food_cnn():
+def create_food_cnn(use_internal_preprocess=False):
     """
     创建食物分类CNN模型
     
+    Args:
+        use_internal_preprocess: 是否在forward中进行预处理
+        
     Returns:
         FoodCNN: 网络模型实例
     """
-    return FoodCNN()
+    return FoodCNN(use_internal_preprocess=use_internal_preprocess)
 
 
 if __name__ == "__main__":

train/train_food_classifier.py

@@ -29,20 +29,20 @@ print(f"使用设备: {device}")
 
 
 
-# 数据预处理
+# 数据预处理 - 必须包含Resize以保证batch中tensor尺寸一致，只有Normalize由模型内部完成
 transform_train = transforms.Compose([
-    transforms.Resize((32, 32)),
+    transforms.Resize((32, 32)),  # 必须保留，确保batch中tensor尺寸一致
     transforms.RandomHorizontalFlip(p=0.5),
     transforms.RandomRotation(10),
     transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),
     transforms.ToTensor(),
-    transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))
+    # 注意：只有Normalize由模型内部处理
 ])
 
 transform_test = transforms.Compose([
-    transforms.Resize((32, 32)),
+    transforms.Resize((32, 32)),  # 必须保留，确保batch中tensor尺寸一致
     transforms.ToTensor(),
-    transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))
+    # 注意：只有Normalize由模型内部处理
 ])
 
 # 训练函数
@@ -153,8 +153,8 @@ if __name__ == '__main__':
     print(f"验证集大小: {len(val_dataset)}")
     print(f"测试集大小: {len(test_dataset)}")
 
-    # 创建模型
-    model = create_food_cnn().to(device)
+    # 创建模型 - 启用内部预处理
+    model = create_food_cnn(use_internal_preprocess=True).to(device)
     print(f"模型参数数量: {sum(p.numel() for p in model.parameters() if p.requires_grad)}")
 
     # 定义损失函数和优化器