初入深度学习的理解

主干网络和预处理模型之间是什么关系

在视频中已讲解到FasterRCNN的工作原理是首先通过上图中红框处的卷积层来提取图像的特征，得到特征图。这里红框处的卷积层可以是vgg16、resnet50或resnet101等网络结构中的其中一种，不同网络结构的卷积层可以在此处进行灵活的替换。这里的卷积层其实有个专业的名称，中文名称为主干网络，英文名称为backbone，它的作用是从图片中提取特征得到特征图。业界常用的图像领域主干网络有AlexNet、VGG、GoogleNet、Xception、Inception、ResNet、ResNext、DenseNet、MobileNet、SENet等等，还有很多优秀的主干网络此处就不详细列举了。
那么主干网络是怎么诞生的？可以说都是在超大的数据集上训练了很长时间得到的网络。对于大多数AI
开发工程师来说，你要做一个图像类的任务时，很难拥有与ImageNet、MSCOCO或其他超大型数据集
同等规模的数据量，也很难拥有超强的算力，因此大多数AI开发工作都会在已经训练好的主干网络的基础上继续训练自己的数据集，这样可以提升模型训练效率，不用完全从零开始训练。
（来自摘录）

代码训练流程：

1、下载数据集到云端
2、准备依赖项
3、进行预处理模型的训练
4、对于test依旧要准备好网络
5、test

因为之前都是尝试在colab上弄，（结果还是弄不出来，，，）对于本地，Keras->tensorflow->cuDNN->cuda->自己电脑的GPU加速器
（我也忘记我当时为啥写这句话了orz）