典型cnn分类reid建模流程，pytorch代码实现

0 超参数定义import argparse

parser=argparse.ArgumentParser('IDE-net')
parser.add_argument()
args = parser.parse_args()

1 设置use_gpu(pin_memory)和logger (utils工具)

sys.stdout = Logger(osp.join(args.save_dir, 'log_train.txt'))

2 数据加载（torch.utils.data import Dataset, Dataloader）

1. （Imagedataset(继承Dataset)类和dataset_loader类()继承(Dataloader)）
2. 编写Imagedataset类分别实例化后读入dataset.trainset的图片并且transform，前置写好处理各个数据集的预处理类返回dataset.train和val及test。==》 dataset_manager(读取imgpath和标签list并设置成dataset.train\val\test等属性pid/camid)，
3. 编写dataset_load实现读入batch图片的预处理）
   

3 建模（编写class net（nn.Module））

4 loss、optimizer和学习率策略scheduler

5 训练（每个epoch中分batch训练），用tensorboard记录trainloss的list

6 测试/验证

没epoch或自定义startepoch开始），记录testloss的list，acc或mAP或rank1，保存模型

7 绘制 loss曲线，保存(使用pandas)loss.to_csv

实验

https://github.com/HenryZhangJianhe/deep-person-reid

0. IDE w/o Smothlabel 70.9% 49.1% (SGD 80epoch loss 0.4)

0. IDE w/o Smothlabel 82.1% 65.1% (Adam w/o Random2D transfer)

0. IDE w/o Smothlabel 83.8% 66.9% (Adam loss=0.02)

0. IDE withSmothlabel 86.0% 69.9%( 与xcent相近了)

0. IDE withSmothlabel 87.3% 72.7%（+REA ）

0. IDE withSmothlabel 86.1% 71.5% (+REA+HardTriplet,要调参数才行)

1. xcent: 86.7% 70.1% withsomth

2. xent_cent 84.8% 67.4% (没涨点）

3. xent_htri 88.3% 72.9%

4. ring_xent 70.7% 59.4% （倒退了）为什么 用的Face loss

5. Align-reid 88.8% 75.4% (2feature 2 loss)

对比bag of tricks

实验配置

1. xent 参数 epoch =60, lr= 0.0003 , optim = adam ,batch 32,32
   

2. xent_cent epoch = 60 , lr = 0.0003, lr_cent = 0.5(权重)，
   

3. xent_htri Epoch=180, margin = 0.3, optim =‘Adam’ lr =0.0003 (采样实例4 人 8张 batch = 32)
   

4. ring_xent epoch=60, lr 0.0003 optim=adam batch = 32, 32
   

5. Aligned reid(loss={IDE + TriHard }), 特征global和local ：Epoch 300 lr 0.0002 optim=Adam margin= 0.3