pytorch深度学习笔记（4）------迁移学习与数据增强

迁移学习

在我们学习深度学习的过程中，往往需要大数据，深网络。但有时我们很难同时获取这些条件。这时我们可以使用其他任务开发的模型来应用于我们自己的任务。而这，就是迁移学习。

迁移学习是机器学习的一种方法，可以将预训练的模型作为新模型的起点，这些预训练的模型在开发神经网络的时候已经在大数据集上训练好，模型的设计也好，因此我们有时候可以拿来使用。

另外我们有时候需要针对很多任务训练不同的模型，这样很浪费资源。合理使用迁移学习，可以使一个模型适用于多个任务，节约了计算资源。

迁移学习就是把预训练好的模型迁移到新的任务上

net = models.resnet18(pretrained=True)
print(net)

这里使用迁移学习，使用resnet18模型
预训练模型可以通过传递参数pretrained=True构造。

数据增强

在我们学习CIFAR10分类案例时，我们的正确率，并不高，68%左右，这是因为我们没有更多的数据去训练。因此，我们最终的结果并不是很好。因此我们需要使用数据增强，去提高我们的训练数据。
数据增强可以通过水平或垂直翻转图像、裁剪、色彩变换、扩展和旋转灯数据增强技术来增加数据量

1.随机比例缩放

transforms.RandomResized((100,200)),
#使图像变为200×100

2.裁剪

transforms.RandomCrop(200)
#裁剪出200×200的区域

3.翻转

transforms.RandomRotation(degrees=15),
transforms.RandomHorizontalFlip(),
transforms.RandomVerticalFlip(),

4.改变颜色

transforms.ColorJitter(hue=0.5),
#随机从-0.5~0.5之间对颜色变化

有了这些数据增强方法，可以使我们的训练数据明显增多，最终的正确率也会明显提高。但因为要训练的数据变多，参数也会变多很多，所以训练比较慢。