先在目录下新建data文件夹，将自己的数据集放进data文件夹里，自己的数据集遵循这样一个目录结构
---dataset_name
---data_class1
--xxx.jpg/png
--xxx.jpg/png
---data_class2
---data_class3..
在数据集文件夹下以类别名为子文件夹的名字，在每个子文件夹下包含该类别的所有图片
得到数据集后，运行spilt_dataset.py,注意把数据集路径修改为自己数据集的路径，这样会在原数据集文件的同级目录生成data_split文件夹，文件夹里面同样以类别名做为子文件夹，我们以80%做为训练集，以10%做为验证集，10%做为测试集。可以通过修改split_dataset.py 33行的 split_rate[]来指定训练集，验证集，测试集的比例
在my_dataset中开头第15行定义类别class_label
运行resnet_train.py进行训练，注意把train_dir和valid_dir路径改成自己的，脚本使用resnet34网络，把最后一层全连接层替换成了两个类别的输出 ##预测 运行predict_image.py进行预测，脚本使用resnet34网络，把最后一层全连接层替换成了两个类别的输出，加载自己预训练的模型参数在save_model里，注意这里预测的是猫狗二分类任务。
如果使用自定义的数据集进行训练以及预测要相应修改resnet_train.py把第78行resnet(num_classes, include_top=True)中的num_classes换成自己的数据集类别个数，resnet默认输出是1000类别，我这里因为是猫狗分类所以修改成了两个类别的输出
同样在predict时也要修改相应的模型，并加载自己预训练的模型参数，然后使用其他数据集要在my_dataset，predict中修改类别与数字的对应关系字典例如{"猫":1,"狗":0}