向AI转型的程序员都关注了这个号????????????
机器学习AI算法工程 公众号：datayx
利用pytorch实现图像分类，其中包含的densenet，resnext，mobilenet，efficientnet, resnet等图像分类网络，可以根据需要再行利用torchvision扩展其他的分类算法
实现功能
-
基础功能利用pytorch实现图像分类
-
包含带有warmup的cosine学习率调整
-
warmup的step学习率优调整
-
多模型融合预测，加权与投票融合
-
利用flask实现模型云端api部署
-
使用tta测试时增强进行预测
-
添加label smooth的pytorch实现（标签平滑）
-
添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类。
-
更新添加了模型蒸馏的的训练方法
-
添加中间层可视化
-
更新模型部署(采用flask+Redis的方法)
-
c++ libtorch进行模型部署的简单demo
代码运行教程 获取：
关注微信公众号 datayx 然后回复 图像分类 即可获取。
AI项目体验地址 https://loveai.tech
运行环境
-
python3.7
-
pytorch 1.1
-
torchvision 0.3.0
代码仓库的使用
数据集形式
原始数据集存储形式为，同个类别的图像存储在同一个文件夹下，所有类别的图像存储在一个主文件夹data下。
利用preprocess.py将数据集格式进行转换（个人习惯这种数据集的方式）
python ./data/preprocess.py
转换后的数据集为，将训练集的路径与类别存储在train.txt文件中，测试机存储在val.txt中. 其中txt文件中的内容为
模型介绍
仓库中模型densenet，mobilenet,resnext 模型来自于torchvision
训练
-
在
cfg.py中修改合适的参数，并在train.py中选择合适的模型
预测
在cfg.py中TRAINED_MODEL参数修改为指定的权重文件存储位置,在predict文件中可以选定是否使用tta
python predict.py-
当训练完成多模型之后生成多个txt文件之后，利用
ensamble文件夹中的kaggle_vote.py进行投票融合或者加权投票融合。
将每个模型生成的csv文件，移动到ensamble/samples/然后将每个文件命名为method1.py,method2.py. 然后运行如下命令进行投票融合
python ./kaggle_vote.py "./samples/method*.csv" "./samples/vote.csv"cnn + svm
代码存在于cnn_ml.py中, 利用训练好的cnn特征提取器，将得到的特征保存为pkl文件，然后训练svm分类器， 并将分类器模型保存，然后读取预测
主要需要修改的就是根据不同模型的输出特征向量的大小在cnn_ml.py中修改NB_features对应的大小
flask云端部署
将训练存储好的权重文件，存储在flask_deployment文件夹中
然后修改server.py中路径运行即可 利用client.py进行调用
阅读过本文的人还看了以下文章：
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
