深度学习—基于经典网络架构训练图像分类模型

#数据预处理部分：（比较简单）
按类别将数据放在一个个文件夹中后
##数据增强：
让样本数据变得更多一些，torchvision中transforms模块自带功能，比较实用
经典网络的数据大小，都是一样的，不是什么数据都能往里放，格式要一样。
##数据预处理：
torchvision中transforms也帮我们实现好了，直接调用即可
##DataLoader模块
直接读取batch数据，一批一批读取

#网络模块设置
加载训练模型，torchvision中有很多经典网络架构，调用起来十分方便，并且可以用人家训练好的权重参数来继续训练，也就是所谓迁移学习
需要注意的是别人训练好的任务跟咱们的可不是一样的，需要把最后的head层改一改，一般也就是最后的全连接层，改成咱们自己的任务
训练可以全部重头训练，也可以只训练最后咱们任务的层，因为前几层都是做特征提取的，本质任务目标是一致

#网络模型保存与测试
模型保存的时候可以带有选择性，例如在验证集中如果当前效果好则保存
读取模型进行实际测试

#数据增强
Data Augmentation
数据不够怎么办？
如何更高效利用数据？
可以的方法：图像进行反转、往左往右旋转、放大缩小、翻转等等
让数据量更多
数据量经过变换，可以变得很多
几行代码就可以搞定
##data_transforms={’train‘：transforms.Compose([
###图像旋转-45到45之间随机选一个角度transforms.RandomRotation(45)
###从中心开始裁剪1024* 1024通过resize=>256* 256,有的网络比如VGG、resnet是224224的，有很多的选择会产生很多的图像
###随机水平/垂直翻转以一个概率p=0.5翻转
###亮度brightness、对比度contrast、饱和度saturation、色相hue
###概率转成灰度图还有3通道也就是RGB
##验证集’valid’:transforms.Compose([
###resize=>256 256
###裁剪成224*224图像文件夹imagefolder

#数据读取
指定batch_size一个一个读进来
##dataset.ImageFolder数据已经在文件夹中放好了，告诉我当前路径在哪os.path.join(data_dir,x)
##前面设定好的处理方式data_transforms[x]
x里的数据类别for x in [‘train’,‘valid’]