企业官网建设流程全解析

数据增广：

随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力

左右反转，上下翻转....（符合实际），切割（变形到固定形状），明亮度，色调

图片增广代码实现：
定义辅助函数apply，此函数在输入图像img上多次运行图像增广方法aug并显示所有结果。

翻转使用transforms模块来创建RandomFlipLeftRight实例，这样就各有50%的几率使图像向左或向右翻转。

上下翻转：

随机裁剪一个面积为原始面积10%到100%的区域，该区域的宽高比从0.5～2之间随机取值。 然后，区域的宽度和高度都被缩放到200像素。

改变亮度：

改变色调：

随机更改图像的亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）：

通过构建一个Compose实例结合多种方法：

使用图像增广进行训练：
从CIFAR10中下载图片

对训练集做简单的左右翻转

加载数据集 + 构建 DataLoader"封装成了一个辅助函数

train_batch_ch13函数：负责一个batch的前向和反向传播

微调（重要）

一般的神经网络结构：

微调的含义
一般的步骤：
（1）在源数据集（例如ImageNet数据集）上预训练神经网络模型，即源模型。

（2）创建一个新的神经网络模型，即目标模型。这将复制源模型上的所有模型设计及其参数（输出层除外）。我们假定这些模型参数包含从源数据集中学到的知识，这些知识也将适用于目标数据集。我们还假设源模型的输出层与源数据集的标签密切相关；因此不在目标模型中使用该层。

（3）向目标模型添加输出层，其输出数是目标数据集中的类别数。然后随机初始化该层的模型参数。

（4）在目标数据集（如椅子数据集）上训练目标模型。输出层将从头开始进行训练，而所有其他层的参数将根据源模型的参数进行微调。

具体案例演示微调：热狗识别
数据集包含1400张热狗的“正类”图像，以及包含尽可能多的其他食物的“负类”图像。 含着两个类别的1000张图片用于训练，其余的则用于测试

规范化图片，增广

下载模型，指定pretrained=True以自动下载预训练的模型参数

更改输出层fc并利用xavier初始化参数

训练核心：
param_group 分参数组优化

params_1x除fc外的所有层：用较小的lr，预训练权重已经很好，只需微调

net.fc.parameters()最后一层全连接层：用较大lr，随机初始化，需要快速学习