数据增强 

数据太少可能会过拟合。

# data_transforms中指定了所有图像预处理（变换）操作（图像数据增强）
data_transforms = {
    'train': transforms.Compose([transforms.RandomRotation(45),  # 随机旋转，-45到45度之间随机选
                                 transforms.CenterCrop(224),  # 从中心开始裁剪，裁剪成224*224大小的（因为VGG、Resnet这些经典网络都是用此大小）
                                 transforms.RandomHorizontalFlip(p=0.5),  # 随机水平翻转，即有50%的概率翻转
                                 transforms.RandomVerticalFlip(p=0.5),  # 随机垂直翻转
                                 transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),
                                 # 参数1为亮度，参数2为对比度，参数3为饱和度，参数4为色相
                                 transforms.RandomGrayscale(p=0.025),  # 概率转换成灰度率，如果原来是彩色图，转换后依旧是3通道只是R=G=B
                                 # 转成Tensor格式
                                 transforms.ToTensor(),
                                 # 因为别人的模型标准化了，所以我们拿他的均值，标准差来标准化
                                 transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
                                 ]),
    'valid': transforms.Compose([transforms.Resize(256),
                                 transforms.CenterCrop(224),
                                 transforms.ToTensor(),
                                 # 验证集的均值和标准差要和测试集一致
                                 transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
                                 ]),
}

 

常用网络模型

VGG-16

残差网络(ResNets)

因为层数越多可能会反而出现效果更差的效果，为了降低其中不好的层的影响（即相当于权重置0去掉），可以“跳跃连接”跳过这层直接连到下一层，这样深度越深总会达到更好的效果。

这并不是一个残差网络，而是一个普通网络（Plain network）。

迁移学习

为什么要迁移学习？

• 相关数据太少，训练的模型不好
• 训练网络模型时调参花费时间太长
• 训练大型模型的时间所需太多

迁移学习就是将他人已经训练好的要达到类似目标的模型（比如自己想做车的分类，就拿他人车的分类模型）的参数（即权重参数、偏置参数等）拿过来初始化（不用简单的随机初始化了）。