基于Pytorch框架的花卉图像识别

本文章记录一个图像分类任务和一些训练策略。
涉及到数据如何预处理和模型的搭建，怎么保存怎么测试怎么输出，使用卷积神经网络去做

模块torchvision中的transforms函数用来进行数据增强–也可在数据量较少的情况下使用（本项目源码中大概6000个测试集），而引入的models包即使用现成的模型（例如CV中比较核心的模型reshet），而引入的datasets将数据和标签读取出来

1、数据预处理

接下来解释预处理的各个步骤以及含义：
Compose按顺序组合每一步操作，在预处理中做的第一件事是使用Resize（h，w）将图像转变为相同的尺寸大小，但可能会丢失信息，且h和w的值会显著影响最终结果，要通过某种策略选好，使用卷积时值大相对于值小来说卷积的地方也就越多，计算越慢，卷积的层数越大也就越慢
数据增强，可用于数据量不够，通过平移、旋转等操作来对有限的数据加大数据集的数量
数据增强操作有：
当中一个常见操作RandomRotation（x），做一个随机的旋转，x代表旋转的角度-x~x之间
CenterCrop（x）裁剪，将图片裁剪