VGG+Imagenette预训练+迁移学习，6个训练样本

kaggle的dogs vs cats数据集：

• 博客：https://medium.com/@radekosmulski/can-we-beat-the-state-of-the-art-from-2013-with-only-0-046-of-training-examples-yes-we-can-18be24b8615f 
• 代码：GitHub - radekosmulski/dogs_vs_cats

 结论：6个样本作为训练，就可以训练1800W个参数

• 我的代码见：https://github.com/HaronCHou/fastai-notes/blob/main/train-catdog.ipynb

1. VGG16 lr=1e-4, Adam优化器：从头开始训练，训练所有参数
   1. 很快train-loss=0，acc比乱猜还差；乱猜也有50%的概率撒。
   2. 肯定啊：就6个样本，学习个毛线啊！！！那么多参数，6个样本学习1亿个参数，咋个可能呢！！
2. VGG16-Radek's net：7*7的max pool层，减少了大部分的全连接的参数量；模型减小到了65M；loss不会到0了，但是网络基本不动了！！
   loss到0和不到0，两回事哦！
3.  加入imagenette的预训练权重：loss开在0.384不动了，但是acc基本80%
4. 把feature层，也就是VGG backbone给冻住：只训练后面的分类层，acc明显增加了好多！但loss还在没动。

•  Radek源代码使用keras做的，然后默认的keras设置进行训练的：loss一直在下降，acc的状态跟我的差不都！！
  • 不知道他的loss怎么一直保持下降的？有什么秘诀呢？

迁移学习的巨大作用 

 小样本6个：如何做到小样本学习的？

• 网络如何能正常工作？不过拟合？loss会不会继续下降？验证集acc怎么样？
• 应该是得益于迁移学习，才能够在极少的样本小，acc还能达到80~90%的，数据基本一致！
• 那也就是其他情况下，如果迁移做的不好的话，应该是数据不适配！