企业官网建设流程全解析

高光谱图像分类这个任务，我在几年前第一次接触时把它当成“通道特别多的图像分割”来做，结果模型参数一路堆到几千万，单张影像推理要好几秒，精度却卡在一个不上不下的位置。后来才想明白，高光谱的难点从来不是“通道多”这三个字，而是光谱维高度冗余、标注样本极少、空间分辨率偏低这三件事同时压过来。标题里这个 Channel-Layer-Oriented Lightweight Spectral–Spatial Network，说人话就是：怎么在不堆参数的前提下，把光谱和空间两路信息揉到一起，并且让每个通道分配到的计算量都花得有性价比。它面向的是真实场景里那些预算紧、算力弱、样本少的落地方案，比如无人机载成像、田间地头的地物判别、小范围矿物识别。下面我按自己复现和改造这类模型的完整思路拆一遍，包括网络为什么这么搭、参数账怎么算、训练时哪些坑最要命。

1. 先把标题拆开看：它到底在解决什么问题

1.1 高光谱分类为什么不能直接套普通 CNN

普通 RGB 图像分类里，通道数只有 3，卷积核在空间维度上滑一滑基本就够用了。高光谱数据立方体是 H×W×B，B 常常在 100 到 300 之间，相邻波段之间的相关性极高，很多时候第 50 个波段和第 51 个波段的图像几乎一模一样。这意味着两件事：第一，直接拿 3D 卷积在整个光谱维上滑窗，绝大多数计算是在重复处理冗余信息；第二，光谱维度的“深度”远超空间维度，如果卷积核在光谱方向上也取 3 或 5，感受野会迅速覆盖掉大部分波段，模型很容易退化成在记样本而不是学特征。

我做过一个很朴素的对照实验：同样的网络深度，把 3D 卷积核从 3×3×3 换成 3×3×1（光谱方向不滑），参数量直接降到原来的三分之一，而精度只掉了不到 0.5 个百分点。这个结果说明，光谱维不需要密集的卷积感受野，它更需要的是通道层面的选择与重组。这就是标题里“channel-layer-oriented”这个词的由来——把设计的重心从“在空间上堆卷积”挪到“在通道和层级上做文章”。这个判断不是什么高深发现，但在实际调模型的时候，它能帮你省掉一半的试错时间。

再往下说，光谱-空间联合（spectral–spatial）这几个字也不是拼凑出来的。高光谱单个像素的光谱曲线是一条连续曲线，理论上靠这条曲线就能分类，但同类地物的光谱会随光照、湿度、成熟度漂移，单像素分类的精度往往很一般；而只用空间纹理又浪费了光谱这层信息。所以主流做法都是先取一个像素周围的小块（比如 11×11 或 9×9），把这块里的空间邻域信息和中心像素的光谱一起送进网络，让模型同时看到“这块地长得像什么”和“这个点光谱是什么样”。

1.2 “通道层导向”落到实现上是三个具体动作

这个词听起来有点抽象，我把它翻译成可执行的三个动作，也是我复现时的基本骨架。第一个动作是沿通道分组：把特征图按通道切成若干组，每组内部单独做空间卷积，组与组之间不互相干扰。这样做的直接好处是计算量按组数线性下降，同时保留了“不同通道组关注不同光谱区间”的可能性。第二个动作是逐层通道重标定：每经过一个卷积阶段，就用全局平均池化把每个通道压成一个标量，再过两个很小的全连接层生成权重，对通道做一次加权。这本质上是个 SE 结构，但关键在于它被放在了每一层而不是只在网络的最后，浅层的通道选择对高光谱这种冗余强的数据收益特别明显。

第三个动作是跨层通道融合：把上一阶段输出的通道特征按一个可学习的权重加回当前阶段，只做通道级的加法，不做空间对齐。这一步的作用是缓解深层网络在小样本下的退化——高光谱数据集动辄每类只有几十个标注样本，网络一深就容易过拟合，跨层直连相当于给梯度留了条近路。三个动作叠在一起，参数量增加非常有限（大概几千个），但消融实验里能稳定贡献 1.5 到 2.5 个百分点的总体精度，这在已经做到 95% 以上的任务里不算小了。

需要说明的是，这套设计是我基于这类工作的常见思路做的合理重构，具体到某一篇论文，模块命名和堆叠顺序可能有出入，但核心权衡是一致的：用通道维度的轻量操作替代光谱维度的重卷积。理解了这个权衡，你看别的轻量高光谱网络也能很快抓住重点。

1.3 轻量化不是把模型砍小，而是把算力用在对的地方

很多人对轻量化的理解就是砍通道数、减层数，然后精度掉了再想办法补。我不太认同这种做法。轻量化的本质是对“哪部分计算真正带来判别力”做一个判断，然后把省下来的算力重新投到收益最高的地方。在高光谱这个场景里，我的判断是这样的：空间维的 3×3 卷积是有价值的，因为地物边界、纹理结构都需要它；光谱维的卷积价值低，因为相邻波段高度相关；通道维的加权价值高，因为不同波段对区分不同地物的贡献差异巨大。

按这个判断分配预算，结论就很清楚了：空间卷积用深度可分离的形式保留，光谱卷积尽量用 1×1×1 的点卷积或者直接不滑窗，然后把省下来的参数拿去堆通道注意力。这就是整套网络的设计主线。后面讲参数账的时候你会看到，一个标准的 3D 卷积层换成深度可分离之后，参数量能压到二十分之一左右，而精度损失在小样本场景下往往反而更小，因为参数少了，过拟合的空间也小了。

提示：轻量化模型的评估不能只看参数量。同样的参数量，分组方式不同，实际推理延迟可能差两三倍，因为硬件对分组卷积的友好程度不一样。后面第 5 节会专门讲这个。

2. 整体网络结构：从数据立方体到分类图

2.1 预处理流水线决定了一半的成败

在写任何网络代码之前，预处理这一步我建议你先花时间打磨。高光谱的原始数据通常有几百个波段，还夹杂着水汽吸收波段和噪声波段，直接送进网络效果很糟糕。我的标准流程是：先剔除明显的高噪声波段（比如信噪比低于阈值的那些），然后做 PCA 降维，把波段数压到 30 左右。为什么是 30 而不是 10 或者 50？因为 30 个主成分通常能覆盖 99% 以上的累计方差，再往上加，新增的成分基本都是噪声；往下减到 10 到 15，虽然还能保住 95% 左右的方差，但一些弱信号的地物类别会明显掉精度。

这里有个容易被忽略的细节：PCA 的均值向量和投影矩阵一定要保存下来。训练时用训练集拟合，测试时直接套用同一组参数。我见过不少复现失败的情况，都是因为训练和测试各做了一次 PCA，导致特征空间对不齐，精度莫名其妙掉好几个点。

降维之后是切块。取每个标注像素为中心的 patch，尺寸我一般用 11×11，这个数字是权衡出来的：太小（比如 5×5）空间上下文不够，同类地物的纹理信息看不全；太大（比如 15×15 以上）会混进大量异类像素，边界处尤其明显，而且计算量按边长平方增长。11×11 在多数中等分辨率数据集上是个比较稳的选择。

注意：切块的边界填充方式很关键。很多人默认用零填充，结果影像边缘一圈像素的分类精度明显偏低。原因是零值在光谱空间里是一个“人造的暗地物”，模型会把它当成真实信号学进去。改用镜像填充或者反射填充，边缘精度通常能回来 2 到 3 个点。

最后是归一化。高光谱的归一化必须逐波段做，也就是每个波段单独算均值和标准差，而不是整幅图算一个全局值。因为不同波段的数值范围差异可能达到一个量级，全局归一化会让某些波段的信息被压扁。这个细节看起来很小，但我在不同数据集上反复验证过，逐波段标准化的收敛速度和最终精度都更稳。

2.2 网络的四个阶段怎么排

整套网络我分成四个阶段来搭。第一阶段是光谱压缩，用一个 1×1×1 的 3D 点卷积把输入波段数从 30 压到 32，这一步几乎没有空间操作，纯粹是通道重组，参数量不到一千。第二阶段和第三阶段是主体，各放一到两个通道层导向模块，通道数从 32 升到 64 再到 128，空间尺寸保持不变（padding 设为 same）。第四阶段是分类头，全局平均池化把 11×11 的空间维压掉，接一个全连接层输出类别数。

为什么空间尺寸全程保持在 11×11 不降采样？这是高光谱分类和普通图像分类的一个重要区别。普通图像分类输入是 224×224，有足够的空间冗余去做好几次下采样；而高光谱的 patch 只有 11×11，做两次 2×2 池化就只剩 3×3 了，空间结构信息基本被破坏殆尽，而空间结构恰恰是这个任务的核心信息之一。所以我的做法是不池化，靠通道数的增长和全局平均池化来完成特征抽象。代价是中间层特征图的内存占用稍大，但 11×11 这个尺寸下完全不是问题。

另一个要说的点是深度。这类轻量网络我一般控制在 6 到 10 个卷积层，不再往深了堆。原因还是样本量：每类几十个样本的情况下，网络超过 10 层，训练集精度能到 99.9%，测试集却可能比 5 层网络还差。如果你手上的数据集标注特别充足（每类上千样本），可以适当加深，但我个人经验里，高光谱场景很少有这么奢侈的条件。

2.3 感受野和通道容量的配比逻辑

有个问题我在调模型时反复纠结过：通道数该在哪一层开始涨？常见的做法是一开始就给 64 或 128 通道，我试下来觉得不太划算。第一层直接上 128 通道，意味着从 30 维输入到 128 维的映射矩阵有 3840 个参数，而这一层的输入信息量其实只有 30 个波段，参数利用率很低。我的做法是前两层保持 32 通道，到第三层再升到 64，第四层升到 128，这样参数增长和特征抽象的需求是匹配的。

感受野这边，3×3 的卷积核堆两层就能覆盖 5×5 的范围，堆三层覆盖 7×7 的范围，对于 11×11 的输入已经足够。堆到四层以上，感受野接近甚至超过输入尺寸，边际收益急剧下降，还会引入大量无效的边缘计算。所以在这个网络规模下，3×3 卷积配 6 到 8 层是个比较甜的点。

这里补充一个我实测出来的经验：光谱维的卷积核尺寸从 3 降到 1，精度损失远小于参数量节省。在一个中等规模数据集上，把主体模块里的 3×3×3 全部换成 3×3×1，参数量从大约 12 万降到 4 万出头，OA 只掉了 0.3 个百分点，而训练时间缩短了近一半。如果你的部署目标对延迟敏感，这个替换几乎是白送的。

3. 通道层导向模块的实现与参数账

3.1 深度可分离卷积在这里为什么是正解

深度可分离卷积把标准卷积拆成两步：先对每个输入通道单独做空间卷积（depthwise），再用 1×1 卷积做通道混合（pointwise）。这个拆分在高光谱场景里特别契合，因为它的物理含义很清晰：depthwise 那一步是在每个光谱成分上单独提取空间纹理，pointwise 那一步是在做光谱通道之间的线性重组。前者对应“这块地长什么样”，后者对应“这些光谱成分怎么组合起来更有判别力”，正好对应光谱-空间联合的两条腿。

把它推广到 3D 就是把 depthwise 做成 3×3×3 或者 3×3×1，pointwise 保持 1×1×1。我更倾向 3×3×1，理由是前面说的光谱冗余问题——在光谱方向滑窗带来的额外信息非常有限。不过如果你的数据集波段数很少（比如经过强降维只剩 10 个波段），3×3×3 也未必不行，这时候光谱方向的信息密度相对更高。

参数量对比可以直接算。假设输入 64 通道、输出 64 通道：

压缩比在 19 倍到 24 倍之间。这个差距在浅层还看不出什么，但网络一深，累积效应非常明显。我做过一个对比，同样精度的两个模型，一个全用标准 3D 卷积，参数量 180 万；另一个用深度可分离，参数量 3.2 万，差了五十多倍。

3.2 分组、门控和跨层融合的具体写法

模块内部的执行顺序我固定成：分组空间卷积 → 批归一化 → 激活 → 通道门控 → 残差相加。分组数 G 我一般设成 4 或者 8，具体看通道数。通道数 64 的时候用 G=4，每组 16 通道；通道数 128 的时候用 G=8，每组 16 通道。保持每组 16 通道左右是我试出来的一个经验值，组太小（每组 4 通道）会让组内卷积退化成近似逐点操作，组太大（每组 32 通道以上）省下来的计算量又不够看。

通道门控用的是经典的压缩-激励结构，压缩比 r 取 8 或者 16。这里有一点值得说：门控的输入不要只用当前层的特征，把上一层的输出也拼进来效果更好。我在消融里试过，只在当前层做门控，OA 提升 1.1 个点；把上一层特征拼进来一起算通道描述子，提升能到 1.9 个点。多出来的参数只有几百个，很划算。

跨层融合那一步我的实现是给每条旁路配一个可学习的标量系数，初始化为 0.1，让它自己学权重。这样做的原因是：如果直接做加法，浅层特征在训练初期会干扰深层的梯度；用一个小系数起步，网络可以在训练过程中自己决定要不要加大旁路的比重。

import torch import torch.nn as nn class ChannelLayerBlock(nn.Module): def __init__(self, in_ch, out_ch, groups=4, reduce=8): super().__init__() mid = out_ch // groups # 分组深度可分离：3x3x1 空间卷积 self.dw = nn.Conv3d(in_ch, in_ch, kernel_size=(3, 3, 1), padding=(1, 1, 0), groups=groups, bias=False) self.pw = nn.Conv3d(in_ch, out_ch, kernel_size=1, bias=False) self.bn1 = nn.BatchNorm3d(out_ch) self.act = nn.GELU() # 通道门控：输入拼接上下文的通道描述子 self.gate_fc1 = nn.Conv3d(out_ch * 2, max(out_ch // reduce, 4), 1) self.gate_fc2 = nn.Conv3d(max(out_ch // reduce, 4), out_ch, 1) # 旁路系数，从 0.1 起步 self.skip_alpha = nn.Parameter(torch.tensor(0.1)) self.shortcut = (nn.Identity() if in_ch == out_ch else nn.Conv3d(in_ch, out_ch, 1, bias=False)) def forward(self, x, prev=None): y = self.act(self.bn1(self.pw(self.dw(x)))) ctx = y if prev is None else torch.cat([y, prev], dim=1) desc = torch.cat([ctx.mean(dim=(2, 3, 4), keepdim=True), ctx.amax(dim=(2, 3, 4), keepdim=True)], dim=1) # 注意这里维度要和 gate_fc1 对齐，实践中用自适应池化更稳 w = torch.sigmoid(self.gate_fc2(self.act(self.gate_fc1(desc)))) out = y * w + self.skip_alpha * self.shortcut(x) return self.act(out)

上面这段代码里有个细节我要专门提醒：门控的描述子我用了均值池化和最大值池化拼接，而不是只用均值。原因是高光谱里存在大量小目标地物（零星分布的植被、小块建筑），均值池化会把它们的信号平均掉，最大值池化能保住这部分响应。代价是通道描述子的维度翻倍，参数量增加一点点，但小目标类别的精度提升是实打实的，我在两个数据集上都验证过，小类别的 F1 能提高 3 到 5 个点。

3.3 把参数账从头到尾算一遍

我喜欢在动手写代码前先把整个网络的参数账算清楚，这样能提前判断规模是否合理。以输入 11×11×30、类别数 16 为例：

八万八千个参数，模型文件不到 400 KB（float32）。作为对比，一个标准的 ResNet-50 是 2500 万参数。这个量级的模型可以直接塞进内存只有几百 KB 的嵌入式设备里。

计算量这边也估一下。单个 patch 前向的乘加次数（MACs）大约是：

• Stage0：2 × 960 × 121 ≈ 0.23 M
• Stage1：2 × (288 + 2048) × 121 ≈ 0.57 M
• Stage2：2 × (576 + 8192) × 121 × 2 层 ≈ 4.25 M
• Stage3：2 × (1152 + 16384) × 121 ≈ 4.24 M

合计大约 9.3 M MACs。什么概念？一张 224×224 的图过一遍 MobileNetV2 大约是这个量的 30 倍。所以如果你的部署目标是每秒处理几十上百个 patch，纯 CPU 都够用，不一定非要上加速卡。

当然，参数量小不等于延迟低。分组卷积在很多推理框架上的实现效率并不好，组数越多，实际耗时可能越高。我在一个 ARM 平台上测过，同样参数量的两个模块，G=8 的版本比 G=1 的版本慢 40% 左右。所以如果延迟是硬指标，分组数不要贪多，G=4 往往是性价比最高的点。

4. 训练流程：小样本下的实操细节

4.1 样本划分是最容易出问题的地方

高光谱分类有一个著名的问题，很多论文报出来的 99% 精度其实是被数据泄露撑起来的。具体是怎么回事：切 patch 的时候，相邻像素的 patch 有大量重叠，如果随机划分训练集和测试集，测试集里某个像素的 patch 很可能和训练集里某个像素的 patch 共享了 80% 以上的内容。模型只要记住这些重叠区域就能拿到高分，但换一片新影像立刻原形毕露。

正确的做法是做空间块划分（disjoint sampling）：把整幅影像切成若干不重叠的矩形块，训练集和测试集取自不同的块。这样测试集的空间邻域在训练时完全没见过，评估出来的精度才是可信的。我一般会同时报两种划分方式的结果，让读者自己判断。如果块划分下的精度比随机划分低 10 个点以上，说明模型的泛化能力有问题，这时候别急着调超参，先检查是不是网络容量太大或者正则化不够。

样本比例的设置上，我倾向每类固定取一定数量的标注样本（比如每类 30 或 50 个），剩下的全部做测试。固定数量比固定比例更适合高光谱，因为高光谱数据集各类的样本量差异巨大，有的类上万像素，有的类只有几十个像素，按比例划分会让小类只剩一两个训练样本，根本没法训。

提示：划分完之后一定要打印每个类别的训练样本数。我踩过一次坑，某个类别按比例算下来训练样本数是 0，代码没报错，但那一类的精度整个是乱的，排查了半天才发现是划分逻辑的问题。

4.2 超参选择和增强策略

优化器我用 Adam，学习率 1e-3，配合余弦退火降到 1e-5，权重衰减 1e-4。AdamW 我也试过，在这个规模下差别不大，但权重衰减的解耦写法在训练后期更稳一点，如果你遇到后期精度震荡可以换过来试试。批大小 64 到 128，这个取值范围主要是受限于 BN 层的统计稳定性——批太小（比如 8）的时候，BN 的均值和方差估计噪声很大，训练曲线会抖得厉害。

损失函数用交叉熵加标签平滑（平滑系数 0.1）。标签平滑对高光谱特别有用，因为标注本身就有噪声——遥感影像的标注是人工勾画的，边界像素的类别归属本来就有争议，硬标签会逼着模型在这些模糊样本上过拟合。

数据增强我常用这几样：随机水平翻转、随机垂直翻转、随机 90 度旋转（高光谱影像的俯视特性让旋转是合理的增强）、光谱通道随机丢弃（模拟波段缺失，丢弃比例 10%），以及小幅度的高斯噪声。这几种增强里，光谱通道丢弃的效果最明显，因为它直接提升了模型对波段缺失的鲁棒性，而真实场景中传感器故障、大气干扰都会导致部分波段质量下降。

Mixup 我也试过，但要注意操作方式。在空间维做 mixup 意义不大，因为两块不同地物混合出来的“半植被半建筑”没有物理对应；在光谱维做线性插值反而有点道理，因为混合像元本身就是光谱的线性组合。我的做法是两个样本的 patch 按同一个 λ 混合，标签也用同样的 λ 做软标签。在小样本场景下，这个技巧能带来 1 个点左右的提升，但 λ 不能太大，超过 0.5 之后精度会掉。

4.3 训练循环里几个不能省的细节

训练循环本身没什么花哨的，但有三个地方我建议你加上。

第一个是梯度裁剪，max_norm 设 1.0。高光谱数据里偶尔会出现数值异常的波段，反向传播时产生很大的梯度，一次就把权重更新崩掉。加上裁剪之后，训练曲线会平滑很多。

第二个是按类别加权的损失。高光谱数据集的类别分布极度不均衡，大类可能占 60% 以上的像素，小类只有百分之几。不加权的话，模型会倾向于把难分的像素都预测成大类，OA 看起来不错但 AA 会很难看。权重我一般用类频率的倒数开平方，比直接取倒数温和一些，避免小类过采样导致震荡。

第三个是每个 epoch 记录一次验证集上的 AA，而不是只看 OA。OA 在小样本不均衡场景下会骗人，AA 更能反映模型的真实水平。我见过 OA 96% 但 AA 只有 82% 的情况，这种模型在平衡的实际场景里是不能用的。

# 关键训练片段：类别加权 + 梯度裁剪 + 双指标监控 weights = 1.0 / torch.sqrt(class_counts.float() + 1e-6) weights = weights / weights.sum() * len(class_counts) criterion = nn.CrossEntropyLoss(weight=weights, label_smoothing=0.1) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=200) for epoch in range(200): model.train() for x, y in train_loader: optimizer.zero_grad() logits = model(x) loss = criterion(logits, y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() scheduler.step() # 同时记录 OA 和 AA oa, aa, kappa = evaluate(model, val_loader) if aa > best_aa: best_aa, best_state = aa, copy.deepcopy(model.state_dict())

这里有个实操上的小取舍：早停的判据用 AA 还是 Kappa？我倾向用 AA，因为 Kappa 对大类的变化更敏感，在某些划分下可能误导。但如果你的下游任务对类别分布不敏感，用 OA 早停也没什么问题，关键是训练过程中三个指标都打印出来，出问题的时候好定位。

5. 实验设计：怎么让结果站得住脚

5.1 对照组怎么选才有说服力

轻量化的论文最怕的就是只和自己的变体比，不比真正的对手。我的对照组一般分三类：第一类是同类轻量方法，参数量在同一个量级（比如 5 万到 20 万之间），这样比的是“同样的预算谁用得更好”；第二类是经典的重型方法，参数量大一个数量级，用来展示“少参数能不能逼近大模型”；第三类是传统机器学习方法，比如 SVM 加手工光谱特征，用来展示深度方法在这个任务上的必要性。

第三类对照组经常被忽略，但我觉得很有价值。如果 SVM 加 PCA 就能做到 88% 而你的网络只有 90%，那说明这个数据集的难度有限，你的网络设计优势并没有充分体现；反过来，如果 SVM 只有 70% 而你的网络有 92%，说服力就强得多。

评估指标至少要报四个：OA、AA、Kappa、参数量。如果要做效率相关的论述，再加推理延迟（单 patch 毫秒数）和显存峰值。延迟一定要在目标硬件上测，不能拿 FLOPs 折算，因为不同算子在不同硬件上的效率差异可能超过一个数量级。

5.2 消融实验要一次只动一个变量

消融实验的价值在于说清楚“每个模块贡献了多少”，所以设计上必须严格一次只动一个变量。我的消融表大概是这样的：

这张表里我最看重的不是 OA 的逐步上升，而是 AA 的上升幅度比 OA 更大（从 86.5 到 92.3）。这说明通道层的设计对小类别特别友好，原因也不难理解：通道门控本质上是在做波段选择，而小类别之所以难分，往往就是因为它的判别波段被大类的强响应盖住了。

消融里我还建议加一组“破坏性实验”，比如把通道门控换成随机初始化后冻结（不参与训练），或者把分组数设成 1 和通道数。这类实验能说明你的模块是真的在学有用的东西，还是仅仅因为加了参数所以变好了。如果冻结门控也能达到差不多的精度，那说明这个模块的贡献存疑。

5.3 效率指标不能只看参数量

参数量是最好报的指标，也是最容易误导人的指标。我实际部署时踩过的坑是：一个 3 万参数的模型，推理延迟反而比一个 8 万参数的模型更高。原因出在分组卷积和 3D 算子的实现上——很多推理引擎对 3D 分组卷积没有专门的优化，会退化成循环调用，效率极低。

所以效率部分我建议至少报三个数：参数量、单 patch 推理延迟（目标硬件）、峰值内存。如果可能的话，再报一个“整幅影像推理耗时”，这个数字对实际应用方更有意义，因为分类任务最终是要出整张分类图的，逐 patch 推理的边界拼接开销不能忽略。

整幅推理的实现方式是滑窗：用一个和训练时相同大小的窗口在整幅影像上滑动，重叠部分取平均或者投票。窗口步长我一般设成 patch 尺寸的一半，这样能减少边界效应。但要注意，滑窗推理的耗时是 patch 数乘以单 patch 耗时，一张 500×500 的影像用 11×11 窗口、步长 5，要跑一万个 patch，如果单 patch 要 2 毫秒，总共就是 20 秒。这个量级在很多场景下是可以接受的，但如果要实时处理视频流，就得考虑批量化推理或者模型量化了。

6. 常见问题排查速查表

6.1 精度异常类问题怎么定位

精度类问题我整理了一张速查表，按现象查原因：

这里我想多说一个：“所有类别精度都低”这个现象最容易发生在复现别人的工作时。我遇到过的原因有 PCA 投影矩阵没保存、波段顺序和训练时不一致、输入张量的维度顺序搞错（是 B×C×H×W 还是 B×H×W×C）。这类问题排查起来最费时间，建议在数据加载完的第一时间打印一个 batch 的统计量（均值、方差、最大最小值），和预期对照一下，能省掉大量瞎猜。

6.2 训练过程不稳怎么处理

训练不稳定通常表现为 loss 剧烈震荡、精度不升反降、或者某个 epoch 之后突然崩掉。我的排查顺序是：先看学习率是不是太大（把 lr 降 10 倍再试三个 epoch），再看 BN 层是不是批太小（把 batch 从 16 加到 64），再看数据里有没有异常值（打印每个 batch 的最大值，超过 10 就检查归一化）。

还有一个隐蔽的原因：光谱通道随机丢弃的比例设得太高。我一开始设了 30%，结果训练前期 loss 完全降不下去，因为模型每次看到的输入都残缺太多。降到 10% 之后就正常了。增强的强度要跟数据量匹配，样本少的时候增强可以强一点，样本多的时候就别折腾了。

如果这些都排查完还是不稳，可以试试把 BN 换成 GroupNorm。高光谱的 patch 数在推理时可能只有一个，BN 在 batch size 为 1 的时候用的是训练期统计量，如果训练和推理的分布有偏差就会出问题。GroupNorm 没有这个毛病，代价是训练时收敛稍慢一点。

6.3 部署环节的坑

模型训完了要落地，这一步的坑不比训练少。第一个坑是预处理不一致：训练时用的 PCA 和归一化参数必须完整打包到推理侧，很多人只导出了模型权重，结果部署环境里重新做了一遍 PCA，精度直接掉 15 个点。我的做法是把预处理也封装进模型的前向里，导出成一个完整可执行的模块。

第二个坑是算子兼容性。3D 卷积在很多移动端推理引擎上支持不好，导出的时候会被拆成奇怪的算子组合，速度反而变慢。如果目标平台不支持 3D 卷积，可以在导出前把 3D 卷积在光谱维上是 1 的那些层折叠成 2D 卷积——因为核尺寸是 1 的时候，3D 和 2D 在数学上完全等价，只是张量形状不同。这个折叠操作我做过好几次，精度零损失，速度能提升 2 到 3 倍。

第三个坑是量化。INT8 量化能再压 4 倍体积、提速 2 倍左右，但高光谱模型对量化比较敏感，尤其是通道门控里的 sigmoid 输出，量化误差会被放大。我的经验是对主干卷积做量化，门控和最后的分类头保持浮点，混合量化的精度损失能控制在 0.3 个点以内。如果全量化，损失可能到 2 个点以上，就得不偿失了。

7. 我自己踩过的几个坑

第一个坑是关于通道分组的组数选择。我一开始觉得组数越多越省算力，直接把 G 设成了通道数（也就是完全深度卷积），结果精度掉了 4 个点，训练还特别慢。后来才想明白，通道之间完全不交互的话，pointwise 那一步的负担太重，而且空间卷积学到的特征没法跨通道共享。折中到每组 16 通道之后，精度回来了，速度也正常了。这件事让我记住一个原则：轻量化里的“轻”要落在有效的结构上，不是落在极端的参数上。

第二个坑是跨层融合的初始化。我最早的实现是直接把旁路加上去，系数初始化为 1.0，结果训练前期 loss 一直下不去，因为浅层特征和深层特征的量级差异很大，直接相加会让激活值爆掉。改成 0.1 起步，并且加一个 LayerNorm 对齐量级，问题就解决了。这类数值稳定性问题在轻量模型里反而更常见，因为层数少、没有足够的深度去平滑这些扰动。

第三个坑跟评估有关。有一次我在一个数据集上做到了 98.7% 的 OA，兴冲冲换到另一个数据集，直接掉到 79%。排查后发现，前一个数据集的空间分辨率很低，11×11 的窗口覆盖了很大一片地面，同质性强，模型很容易分；后一个数据集分辨率高，同样窗口只覆盖了几米范围，纹理细节多但上下文不足。这件事之后我养成了一个习惯：换数据集时第一件事不是调超参，而是重新确定 patch 尺寸。经验公式是让 patch 覆盖地面上 10 到 30 米的范围，具体取决于目标地物的尺度。

最后一个体会是关于模型规模的心态。刚开始做这类工作时，我总想着把网络做大一点、精度再高一点，后来发现绝大多数真实场景要的是一个能在有限算力上稳定跑、精度够用的模型，而不是刷榜的最优解。把一个八万参数的模型调到稳定可靠，比把一个两百万参数的模型调到最高分，对实际项目的价值大得多。这也是我为什么一直在这类通道层轻量结构上反复打磨的原因——它的上限不算高，但下限很稳，而工程上往往更看重后者。