1) 模拟数据采集
我们假设要区分两类：猫（cat）和狗（dog）。点击开始采集，将从本地dataset/cat_dog文件夹加载真实的猫狗图片。
已采集：0 张
2) 数据存储格式示例
常见做法：用一个数组保存样本，每个样本包含 id、图片地址、标签；训练时再转为张量（N,H,W,C）与独热标签（N, num_classes）。
样本数
0
类别数
2
输入尺寸
64×64×3
[]
张量形状示例：images → [N, 64, 64, 3]；labels(one-hot) → [N, 2]
3) 模拟训练过程
点击开始训练，观察损失函数（Loss）随 Epoch 下降的趋势（加入少量噪声，体现“抖动”）。
Epoch: 0
Loss: -
训练日志
等待开始…
说明：这里并未进行真实反向传播与参数更新，仅以可视化帮助理解“训练会让损失逐步下降”。
4) 模拟预测过程
将图片拖拽到此处，或
也可在“数据采集”区域点击任意缩略图，将其送入此处进行预测。
尚未选择图片
预测结果
-
类别概率
CAT
0%
DOG
0%
提示：这里使用“平均亮度阈值”的简单启发式模拟分类，仅用于演示。