我们今天来训练一个模型识别 102 种花的种类，给定一个花的照片，可以识别出花名。
数据集
这次用到的鲜花数据集来自 http://www.robots.ox.ac.uk/~vgg/data/flowers/102/index.html，需要的朋友请自行下载。
数据集包含 7370 幅花的图片，下面是一些示例：
我们把数据集分为下列三部分：
1 2 3 | Training : 6552 images / 205 batches Validation: 409 images / 18 batches Testing : 409 images / 18 batches |
数据增广
这里对 Training 的数据，采用了四种增广方式，比例分别为：
1 2 3 4 | • 16,67% — Horizontal flip • 16,67% — Vertical flip • 33,33% — Random rotation, in a range of 360 degrees • 33,33% — Keep the image untouched |
然后，随机裁剪（random crop）后缩放到 224×224 的大小。
对于 Testing 和 Validation，只进行缩放，到 224×224 的大小。
创建分类器
这里的网络我们采用一个预训练网络 ResNet-152 模型，但是我们只保留卷积层的权重，最后的分类器要替换成一个输出 102 类的全连接网络，这里的全连接网络我们有三层，输入层 2048，隐藏层 1000，输出层 102。网络示意图如下：
训练网络
这里经过多次尝试后，我们决定最后选取 Adagrad 优化器，来保证训练效果最好。
整个训练过程分为三个阶段。
阶段一
这一阶段集中训练分类器，就是最后的全连接层。
因为前面的卷积层都是预训练的，可以很好地提取图像特征，因此我们先冻结卷积层的权重，只对最后一部分全连接层进行训练。
这一阶段训练了 39 个 epoch，最后在 validation 得到 94.62% 的准确率：
1 2 | Epoch: 39: lr: 0.00010000 Training Loss: 0.412109 Validation Loss: 0.232272 Validation accuracy: 94.62% |
阶段二
现在我们可以说全连接层的分类器已经训练好了，那接下来我们微调卷积层的权重。
这时候，取消冻结前面卷积层的权重，对整个网络全部进行训练，20 个 epoch 后，validation 得到 96.58% 的准确率：
1 2 | Epoch: 59: lr: 0.00010000 Training Loss: 0.201783 Validation Loss: 0.141651 Validation accuracy: 96.58% |
阶段三
虽然这时候网络性能已经非常好了，但我们还想继续提高一下。
这次我们将 learning rate 设置为 0.000001，只是为了对网络的权重做极其微小的调整。在训练了 10 个 epoch 之后，我们在 validation 上得到了 97.07% 的准确率：
1 2 | Epoch: 69: lr: 0.00000100 Training Loss: 0.187415 Validation Loss: 0.142964 Validation accuracy: 97.07% |
充分证明我们的三个阶段的训练是有效的。
下面是训练曲线和学习率曲线：
结果
我们最后在 Testing 上做测试，我们的网络竟然得到了 99.27% 的准确率，已经非常不错了！
下图是一些测试结果：
代码地址
如果对代码感兴趣，可以到 Github 上获取，地址 https://github.com/silviomori/udacity-deeplearning-pytorch-challenge-lab。
本站微信群、QQ群(三群号 726282629)：
