cross_val_score不能直接用于pytorch模型，因其缺乏fit/predict接口；需封装继承baseestimator与classifiermixin/regressormixin的兼容类，手动实现fit（含数据加载、训练循环、设备迁移）和predict（返回numpy数组），且模型参数须在fit中初始化以避免权重复用。
PyTorch模型怎么用scikit-learn的cross_val_score？
直接传torch.nn.Module进cross_val_score会报错：AttributeError: 'MyNet' object has no attribute 'fit'。scikit-learn要求估算器必须实现fit、predict（或predict_proba）等接口，而原生PyTorch模型没有。
解决办法是封装一个兼容类，继承BaseEstimator和ClassifierMixin（分类）或RegressorMixin（回归），手动实现fit和predict。关键点：
-
fit里要处理数据加载（DataLoader）、训练循环、早停、设备迁移（.to(device)） -
predict必须返回numpy数组（scikit-learn只认np.ndarray），不能是torch.Tensor - 别在
__init__里初始化模型参数——要留到fit中首次调用时再初始化，否则cross_val_score多次调用会复用同一组权重
怎么把PyTorch特征提取器当scikit-learn的Transformer用？
想用PyTorch预训练模型（如resnet18）提取图像特征，再喂给RandomForestClassifier这类传统模型，就得让它符合transform接口。不能直接用nn.Sequential，得包装成BaseEstimator + TransformerMixin。
注意几个实际坑：
- 输入
X通常是numpy.ndarray或PIL Image，需在transform里转成torch.Tensor，并做归一化（用transforms.Normalize，别手写除255） - 模型要设为
eval()模式，且禁用梯度：with torch.no_grad():，否则transform变慢还可能OOM - 输出特征维度要和后续模型匹配——比如
resnet18默认输出512维，但如果你删了最后的fc层，得确认model.avgpool后是否要flatten，否则shape可能是(N, 512, 1, 1)，得.squeeze(-1).squeeze(-1)
scikit-learn的Pipeline里能嵌PyTorch训练器吗？
可以，但Pipeline会按顺序调用每个步骤的fit_transform（Transformer）或fit（Estimator）。如果中间某步是PyTorch模型训练器，它必须同时实现fit和transform（比如作为特征编码器），或者你得用FunctionTransformer包装纯函数逻辑。
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
典型错误场景：
- 把训练好的PyTorch模型塞进Pipeline当“Transformer”，却忘了在
transform里调用model.eval()→ 推理结果不稳定（BatchNorm/ Dropout行为异常） - 在Pipeline中混用CPU/Tensor设备：前一步输出
numpy，下一步PyTorch模型在cuda上，直接model(x)报Expected all tensors to be on the same device - 用
StandardScaler之后接PyTorch模型，但没重置scaler的feature_range——PyTorch不关心这个，但容易误导调试
为什么用GridSearchCV调PyTorch模型总卡住或显存爆炸？
因为GridSearchCV默认n_jobs=1，但每个参数组合都会新建一个PyTorch模型实例，并在fit里反复加载数据、初始化权重、分配GPU显存。若没手动清理，显存不会自动释放。
实操建议：
- 在
fit末尾加del model, optimizer, loss_fn，再调用torch.cuda.empty_cache()（仅GPU） - 避免在
param_grid里扫batch_size或lr的大范围——小范围试（如[16, 32, 64]），否则搜索空间指数级膨胀 - 改用
skorch库的NeuralNetClassifier，它内置了train_split、callbacks和显存管理，比手写兼容类稳定得多；但要注意skorch对PyTorch版本有要求（例如0.12+才支持2.0）
最常被忽略的是：PyTorch模型的状态字典（state_dict）和scikit-learn的get_params/set_params机制不自动同步——如果你在fit里动态改了模型结构，clone出来的副本不会生效，得重写__getstate__。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
