菜品分类与检索大作业踩坑

1.训练速度

keras坑很多

训练网络时，以下会不同程度上影响速度：

1）imagedatagenerator，如果进行数据增强

2）图片尺寸

3）model.fit。虽然model.fit也支持generator，但速度比fit_generator慢很多

以下不一定能提升训练速度

1）multi_gpu_model：https://github.com/keras-team/keras/issues/9204

2）多卡+大batchsize：batchsize大小对训练速度的影响_Golden-sun的博客-CSDN博客_batchsize越大训练越快吗

3）网络中trainable参数个数

2.显存不够

如果数据集太大，会报OOM错误

减小batchsize效果不明显

可将flow改成flow_from_directory，同时注意train、val的类别与对应label

keras flow from directory显示label index_Learning from the mistakes-CSDN博客

也可以将keras预训练的resnet50的trainable设置成false，但此时需要用transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])将输入图片归一化，因为imagenet数据集输入是0-1【不知道是不是这样，但设置成false后不归一化是肯定不行的。按理来说如果设成True，那么即使不归一化resnet50权重也会去适应数据】

model = multi_gpu_model(model, gpus=4)后model层数、权重等都会改变，此时使用model.summary()会发现很多层不见了。之后save、loadweights时，也需要使用multi_gpu_model(model, gpus=4)

由于imagenet是-1~1，0为中心的，所以用imagedatagenerator时要用预处理函数直接rescale比较好

另外用resnet50的preprocess_input和utils的preprocess_input是不一样的，自己查.目前的建议是用的哪个预训练模型，就用哪个模型的preprocess_input。此外，用预训练模型，不需要rescale=1/255

内存不够，无法一下子将test集读进来。用test_generator，shuffle需设置成false，否则test样本顺序不对。bs=1.此外，文件顺序用generator.filename

此外，用pandas生成csv时，人工检查下csv里各列的顺序和list里的顺序是否相同