一、前言
本文基于残差网络模型，通过对ResNet-50模型进行微调，对不同狗狗品种数据集进行鉴定。
Dog Breed Identification数据集包含20579张不同size的彩色图片，共分为120类犬种。其中训练集包含10222张图片，测试集包含10357张图片。犬种数据集样本图如下所示。
二、基于Fine Tuning构建ResNet-50模型
随着模型深度的提升，出现网络出现退化问题，因此残差网络应运而生。通过微调已经构建好的模型，能够在相似的数据集运用，不再需要重新训练模型。本文模型构建分为四个部分：数据读取及预处理、构建ResNet-50模型以及模型微调、定义模型超参数以及评估方法、参数优化。
1、数据读取及预处理
本文采用pandas对数据进行预处理，以及通过GPU对运算进行提速。
import
os
,
torch
,
torchvision
import
torch.nn
as
nn
import
torch.nn.functional
as
F
import
numpy
as
np
import
pandas
as
pd
from
torch.utils.data
import
DataLoader
,
Dataset
from
torchvision
import
datasets
,
models
,
transforms
from
PIL
import
Image
from
sklearn.model_selection
import
StratifiedShuffleSplit
device
=
torch
.
device
(
"cuda:0"
if
torch
.
cuda
.
is_available
()
else
"cpu"
)
通过pandas读取csv文件，显示前5条数据，发现原数据只存在两列数据，id对应图片名，breed对应犬种名称，总共有120种。
data_root
=
'data'
all_labels_df
=
pd
.
read_csv
(
os
.
path
.
join
(
data_root
,
'labels.csv'
))
all_labels_df
.
head
()
根据犬种名称，将其转化为id的形式进行一一对应，并在数据集中增加新列，表示犬种类别的id标签。
breeds
=
all_labels_df
.
breed
.
unique
()
breed2idx
=
dict
((
breed
,
idx
)
for
idx
,
breed
in
enumerate
(
breeds
))
idx2breed
=
dict
((
idx
,
breed
)
for
idx
,
breed
in
enumerate
(
breeds
))
all_labels_df
[
'label_idx'
]
=
all_
