图像识别-102 花卉分类
非常适合机器学习初学者的实战项目，代码放在(https://github.com/xiaoxijio/Flower-classification) ，欢迎大家过来对我的代码指指点点
花卉数据集
因为数据集太多了，上传不了，所以大家可以自己去kaggle(https://www.kaggle.com/datasets/nunenuh/pytorch-challange-flower-dataset) 下载（下载挺快的，三百多M）
这是下载后包含的数据
102花卉数据集
我是放在'data/flower'目录下，大家如果不放在这个目录下更改一下我代码里文件位置就行。
那么好！话归正题，如何白嫖别人训练好的模型
现在神经网络发展那么快，我们还自己从零开始敲摸着怎么构建神经网络那就大清亡了！垂涎欲滴地看着别人训练好的模型，不如直接零帧起手，顺手（红色警告！做合法牛马）。小小心思，Pytorch（https://pytorch.org/vision/stable/models.html） 早已看穿，为了促进人类文明的发展，与其..不如赠人玫瑰手留余香。目前已有如下这些零元购：
分类模型
那么好！开始我们的模型调教！
什么导入数据，数据增强我就不说了，代码里注释的很清楚，主要说一下如何调教
比如我想用resnet（https://pytorch.org/vision/stable/models/resnet.html） 网络，我们去官网一看，官网提供了如下几个
ResNet模型
那我们肯定不选对的，只选贵的。resnet152，看着就比别人牛逼，就是它了
1、调用前需要初始化一下
初始化模型
比如我们的分类任务时102种花卉，而别人的模型输出是1000，所以我们首先要将别人模型的输出层size改成我们自己的size。
当然，我们都用别人的东西，也要适配别人，不能纯调教，那太丧心病狂了。比如resnet的架构在ImageNet上预训练时，输入尺寸就是224×224，那我们最好也将图片尺寸调整为224×224（如果你偏不，也不是不行，真是拿你没办法呢）
2、冻结模型的特征提取层，只训练最后一层
能看这篇内容的，大都是发愤图强的学生，学生哪有那么好的gpu去训练模型。像现在这些牛逼哄哄的神经网络，人家顶级机器训练都是按天计算的，更何况...呜呜呜
既然我们要白嫖，那就把白嫖精神坚持到底！
冻结参数
机智灵敏的盒友们已经发现，这函数在上面初始化用到了。
我们把前面那些乱七八糟的需要调整的参数全给冻起来，就用人家训练好的模型参数，给自己留个最后的全连接层训练就行啦，我们就已经很努力啦。然后把需要训练的全连接层参数给优化器，让它去慢慢优化。
训练过程和验证过程我就不说了，人家要说的话都在酒里，我要说的话都在代码里，详细移步github。在训练过程中，将训练效果比较好的数据给保存下来哦，方便我们下次训练的时候不用从零开始了（白嫖别人更要白嫖自己）
看看训练效果
刚训练准确率就达到了惊人的无地自容
训练了20个epoch
我就跑了个20轮，没多跑，大家电脑牛逼的可以多跑几轮。大概跑了个二十几分钟吧，准确率从32% --> 73%
效果远远不够啊，果然知识还得自己学才进脑子啊。但是不急，重新做人还来得及！
3、 加载预训练好的模型，重新做人
我们将之前训练效果好的模型数据加载出来，然后将之前投机取巧冻结的参数全部解冻，这一次，我要取回我的一切，电脑你要全力以赴啊！
在这一次训练中，我们需要将学习率调的再低一点，让模型在一个较优的情况下慢慢探索，不要一个步子迈大了，扯到不该扯到的
我们需要调整的代码如下
feature_extract = False # 不冻结
load_model = True # 加载模型
optimizer_ft = optim.Adam(params_to_update, lr=1e-4) # 调小学习率
看看效果
这次我就跑了15轮，花费了大概半小时，效果一下提到了91%
好，我们已经学会如何使用别人的模型，那么接下了你要去攻打... 没错，学会了1+1，你就要会巴拉巴拉（此处脑补非常复杂难懂反人类的数学问题）
话说读书人的 怎么能叫 这叫迁移学习！（迁移学习为我正名）