一、前言
本文基於殘留誤差網絡模型，透過對ResNet-50模型進行微調，對不同狗狗品種數據集進行鑒定。
Dog Breed Identification數據集包含20579張不同size的彩色圖片，共分為120類犬種。其中訓練集包含10222張圖片，測試集包含10357張圖片。犬種數據集樣本圖如下所示。
二、基於Fine Tuning構建ResNet-50模型
隨著模型深度的提升，出現網絡出現退化問題，因此殘留誤差網絡應運而生。透過微調已經構建好的模型，能夠在相似的數據集運用，不再需要重新訓練模型。本文模型構建分為四個部份：數據讀取及預處理、構建ResNet-50模型以及模型微調、定義模型超參數以及評估方法、參數最佳化。
1、數據讀取及預處理
本文采用pandas對數據進行預處理，以及透過GPU對運算進行提速。
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"
)
透過pandas讀取csv檔，顯示前5條數據，發現原數據只存在兩列數據，id對應圖片名，breed對應犬種名稱，總共有120種。
data_root
=
'data'
all_labels_df
=
pd
.
read_csv
(
os
.
path
.
join
(
data_root
,
'labels.csv'
))
all_labels_df
.
head
()
根據犬種名稱，將其轉化為id的形式進行一一對應，並在數據集中增加新列，表示犬種類別的id標簽。
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_
