-
Load data
-
Build model
-
Train and Test
-
Transfer Learning
思想:如果自己创建resnet18网络,也就是从0开始训练,只能达到85的精度,因为任务的图片数量少,而网络表达能力强,可能出现过拟合的情况,如果用训练好的reset18,有着公有知识,这样训练不是从0开始,而是从公有知识开始,能得到更好的状态。简单来说,也就是在A上训练好分类器后,转移到B上,再根据B的情况做分类器的微调。
trained_model = resnet18(pretrained=True)
model = nn.Sequential(*list(trained_model.children())[:-1], #[b, 512, 1, 1]
Flatten(), # [b, 512, 1, 1] => [b, 512]
nn.Linear(512, 5)
).to(device)
最后acc到0.95
总结:
数据集:
数据集有5类对应不同宝可梦,每类有200多张照片,要知道每张图片的存储位置和Label映射的csv文件。得到的dataset对象封装到dataloder,可以批量多线程去读取数据。
网络:
利用reset18解包成公有知识A,以及新知识 B,A是来自训练好的Imagenet网络的参数,利用A+B在新的网络上做训练,精度可达95。