resnet_exercise

文件介绍

flower_data：放置数据集，其中train和val是划分数据集后产生的
test：放置测试的图片
model.py：模型文件
predict.py：进行预测
split_data.py：对数据集进行划分
train.py：训练网络
class_data.json：编号-种类的对应

环境介绍

pytorch：1.6.0
torchvision：0.7.0

过程

一、下载数据集

1、 打开/flower_data/flower_link.txt中的链接，下载数据集
2、随后运行split_data.py，划分训练集和验证集

二、搭建模型

1、构建BasicBlock
先定义结构，由两块组成；再定义前向传播函数
2、构建Bottleneck
同样先定义结构，由三块组成（降维、卷积、升维）；再定义前向传播函数
3、构建ResNet类
1）先定义第一阶段，为一个7x7的卷积处理，stride为2，然后经过池化处理
2）定义4个block，这里采用了_make_layer()函数来产生
3）最后采用平均池化，定义全连接层。
4）定义前向传播函数

三、训练模型

1、定义数据处理
训练集：先随机切割再resize到224大小，水平翻转，转化为Tensor，最后正则化
验证集：先resize到256，再进行中心切割，转化为Tensor，最后正则化
2、加载图片
采用datasets.ImageFolder从路径中读取图像数据，并经过transforms变换
构建种类-编号的dict，并写入json文件中
采用torch.utils.data.DataLoader，按照一个bacth_size，分批次加载数据为Tensor类型
3、获取网络
定义Loss和优化器
开始迭代训练

四、预测

可更改预测图片路径，来完成对图片的预测输出