如何用5行代码跑通cait_xxs24_224.fb_dist_in1k：图像分类新手快速上手教程（附完整代码）

cait_xxs24_224.fb_dist_in1k 是 timm 库中的一个CaiT（Class-attention Image Transformer）轻量级图像分类模型，由 Meta 论文作者基于知识蒸馏在 ImageNet-1k 上预训练，仅1200 万参数、2.5 GMACs 的极低成本，却能识别 1000 类物体。本教程带你5 行核心代码跑通图像分类，零基础也能快速上手 🚀

一、模型概览：CaiT 是什么？

CaiT 的核心思想是引入**类别注意力（Class Attention）**机制，让图像块（patch）直接与类别 token 交互，结构比传统 ViT 更简单高效。本模型的完整说明见 README.md。

💡12M 参数意味着什么？它的体量只有 ResNet-50 的三分之一左右，适合 CPU 推理、端侧部署，是做图像分类入门的"高性价比"选择。

二、环境准备：1分钟装好依赖

只需两个 Python 包，一条命令完成安装：

pip install timm torch pillow

模型权重首次运行时会自动下载缓存，无需手动拷贝。如果你把本仓库放在本地，也可直接使用其中的 model.safetensors，它与 HuggingFace 权重格式完全兼容。

三、5 行核心代码：图像分类快速上手

下面是完整可运行的最小示例，核心逻辑就是 5 行 🎯：

import timm import torch from PIL import Image model = timm.create_model('cait_xxs24_224.fb_dist_in1k', pretrained=True).eval() img = Image.open('cat.jpg') transforms = timm.data.create_transform(**timm.data.resolve_model_data_config(model), is_training=False) logits = model(transforms(img).unsqueeze(0)) print(torch.topk(logits.softmax(dim=1) * 100, k=5))

逐行解析：每行代码在做什么？

运行后你会看到类似这样的输出：

tensor([87.32, 8.15, 2.10, ...]) # Top5 概率（%） tensor([281, 282, 279, 274, 280]) # 对应 ImageNet 类别编号

📌 类别编号与名称的对应关系可在 ImageNet-1k 标准列表中查询，281 就是"暹罗猫（Siamese cat）"。

四、进阶玩法：提取图像特征向量

除了分类，该模型还能当特征提取器，为图片生成固定长度的向量，用于图像检索、相似度比较等场景。参考 README.md 中的官方示例：

model = timm.create_model('cait_xxs24_224.fb_dist_in1k', pretrained=True, num_classes=0) feats = model(transforms(img).unsqueeze(0)) # 输出 (1, 192)，即 192 维特征

只需加一个num_classes=0参数去掉分类头，feats就是 192 维特征向量——维度由 config.json 中的num_features: 192决定。

五、读懂配置：config.json 里藏着什么？

打开 config.json，几个关键字段一眼看懂：

• input_size: [3, 224, 224]— 输入必须是 3 通道、224×224 的 RGB 图
• mean/std— 归一化参数，create_transform()会自动使用，无需手写
• num_classes: 1000— 输出 1000 类
• fixed_input_size: true— 输入尺寸固定，建议不要随意改分辨率

六、新手常见坑：一次说清 ⚠️

1. 图片尺寸不对报错？交给create_transform()处理即可，它会自动 Resize 到 224；不要自己先img.resize((224, 224))再送进 transform，会破坏归一化流程。
2. 忘记.eval()结果不稳定？Transformer 类模型在训练/推理模式下行为不同，务必调用model.eval()。
3. 输出不是概率？model(...)输出的是 logits，需softmax转换；本教程第 5 行已包含这一步。
4. 想换权重格式？仓库同时提供 model.safetensors（更安全、加载更快）和 pytorch_model.bin，二者内容一致，任选其一。

七、总结与下一步

恭喜，你已经掌握了timm 图像分类模型的标准调用姿势🎉 后续可以沿着以下方向继续探索：

• 换更大的 CaiT 或 DeiT 系列模型，对比精度与速度
• 用forward_features输出 (1, 197, 192) 的 token 级特征做细粒度分析
• 阅读 README.md 查看论文引用与模型出处，理解 Class Attention 原理

模型来源：README.md 中给出了官方论文引用（Going Deeper With Image Transformers, ICCV 2021），论文作者基于 Meta 的 deit 训练代码完成蒸馏预训练，采用 Apache-2.0 许可证，可放心用于学习与商业场景。