标签：超过   alt   优化   优化器   是什么   img   权重   运行   自己   

图像分类train.py代码总结

?前两天，熟悉了图像分类的训练代码，发现，不同网络，只是在网络结构上不同。而训练部分的代码，都是由设备选择、数据转换，路径确定、数据导入、JSON文件生成、损失函数选择、优化器选择、模型带入和训练集数据和测试集数据训练固定几部分组成的。
?其中的模型是根据自己选择的不同模型带入的。经典的分类模型有Alexnet、VGG、GoogLeNet、ResNet、ResNeXt、MobileNet、MobileNet v2、MobileNet v3、ShuffleNet、EfficientNet、EfficientNet V2这几种详细的每种都是什么结构，在之前都有熟悉。
?随着网络结构的越来越复杂，到了ShuffleNet的时候，就将参数用argparse.ArgumentParser()提取出来，并且从resnet开始将权重存到.pth文件中model_weight_path = "./resnet34-pre.pth"进行预训练。下面主要看一下EfficientNet网络中的训练框架。

EfficientNet训练脚本

?在目前分类当中，EfficientNet网络的准确率是很高的，在我运行的过程中发现，一般准确率在0.9以上，但很难超过0.95。效果如下图所示。

?我们首先来看一下它的训练代码，然后，在分析模型结构，存在的问题。

1. argparse.ArgumentParser

?argparse是python用于解析命令行参数和选项的标准模块，用于代替已经过时的optparse模块。argparse模块的作用是用于解析命令行参数。
?我们很多时候，需要用到解析命令行参数的程序，目的是在终端窗口(ubuntu是终端窗口，windows是命令行窗口)输入训练的参数和选项。
?我们常常可以把argparse的使用简化成下面四个步骤:
1：import argparse 首先导入该模块
2：parser = argparse.ArgumentParser()创建一个解析对象
3：parser.add_argument()添加你要关注的命令行参数和选项，每一个add_argument方法对应一个你要关注的参数或选项
4：parser.parse_args()用parse_args() 进行解析，解析成功之后即可使用

代码训练3，图像分类 模型代码

标签：超过   alt   优化   优化器   是什么   img   权重   运行   自己   

原文地址：https://www.cnblogs.com/xmy-0904-lfx/p/14893884.html