关于完成吴恩达深度学习ResNet50作业遇到的坑

吴恩达的深度学习课程非常棒，从网上下载了学习笔记和作业，跟着笔记学习并完成后面的作业，受益匪浅。这里谈谈我在完成第四课第二周作业《4.2 深度卷积网络模型》中《ResNets》部分所遇到的坑

首先根据作业提示搭建ResNet50的网络模型，这个不复杂，根据提示一步一步做就可以完成了，晚上也有相当多的作业资料可以参考。训练时作业只要求epochs=2，为了提高精度，我设置了epochs=8，模型在训练集上的损失可以降低到0.1以下，准确率77%左右，在测试集上的损失为6.8，准确率17%。

作业最后一步是用自己的图片做测试，我从jupyter notebook中截取了注释中的图片进行预测，但是从0到5所有手势的结果全部是0，第二天再测试，结果又全部变成了4，无论测试多少遍，用原题的图片或者是用自己拍的图片，所有的图片始终只能得到一个结果，怎么会这样？这个问题折腾了2天才最终找到问题原因。以下是我的排查过程

首先，我决定模型本身训练集或测试集上随机选出30张图片丢到模型中，先看看预测结果，训练集能够达到77%的准确率，随机挑选的30张图片预测也应该符合这个规律。一开始我对这些图片也进行了预处理，心想多预处理下数据应该没有坏处。结果令我大跌眼镜，30张图片全部输出0，或者是4，或者是5，全部只有一个结果。用训练集做测试居然都这样，那问题是不是出在predict函数上呢？这个是keras库内置的函数，经过全球的技术人员测试，应该不会有问题呀。那是不是在数据预处理上呢？

抱着试一试的心态，考虑到测试集已经经过了归一化处理，所以我把 x_prec_sub=preprocess_input(img_sub)注释掉了，结果就正确了，模型对不同的图片预测除了不同的结果，虽然有12张错了，但是已经能够看出问题了。

于是我查看了preprocess_input函数的输出结果，发现结果并不全在[0,1]之间，应该是图片白化处理的结果，而训练集的都进行了归一化处理，这就是问题的根源了。

同样，用自己的图片测试，只需要将自己的图片除以255就行了，不能使用源码中preprocess_input函数。

代码如下。

randind=np.random.randint(X_train.shape[0],size=30)      #随机产生训练集集的序号
img_suborig=X_train_orig[randind]                            #随机挑选的测试集图像子集
img_sub=X_train[randind]
print("随机选取的序号为：",randind)
print("本次用于测试train_img_sub.shape:",img_sub.shape)
#x_prec_sub=preprocess_input(img_sub)                         #这里是重点！如果用自己的图片，只需要将图片除以255就行了，不能用这句
out_sub=model.predict(img_sub)
for n in range(30):
    plt.subplot(2,15,n+1)
    plt.title(str(np.argmax(out_sub[n]))+":"+str(np.argmax(Y_train[randind][n])))   #前面是模型预测的结果，后面是正确的结果
    plt.imshow(img_suborig[n])