PaddlePaddle迁移学习做图像分类，数十种高精度模型任意切换
PaddlePaddle迁移学习做图像分类，数十种高精度模型任意切换
为什么用PaddlePaddle ？因为百度的AI Studio开发平台可以用免费GPU ～ AI Studio上只能用PaddlePaddle。
明天将介绍keras版～
关键词：迁移学习，免费GPU，图像分类
步骤一 收集数据：
为什么很多教程一开头都介绍手写数字识别？就因为数据已经整理好了。其中的数据处理过程并不讲。
但对于很多人来说，直接将数据整理成模型输入的格式就是一个难点，单单讲手写数字识别并不实用，而且已经写烂大街了，看这样都例子反而让人产生更多都疑惑。
如果小白们在某本新书或者课程上还拿手写数字识别当案例，建议就不要看了～
回到本教程，我们把收集到的图片数据集按分类文件夹放好，比如我们要做的是花朵图片分类，我们新建一个data文件夹，里面存放5类花朵数据，文件夹名字就是类别名字，如下图
步骤二 ： 数据、代码上传AI Studio 平台
AI Studio 地址
https://aistudio.baidu.com/aistudio/projectoverview/public/1
创建一个新项目，项目信息根据自己需求去填，添加数据集的时候要把data文件夹压缩了再上传。
代码部分
本教程使用的是百度PaddleCV的预训练模型，总共好几十种，默认是ResNet50
详细文档地址
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification?fr=gzh#%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87
我们将该项目代码下载下来，并上传至AI Studio
这份代码，我们主要看
train.py它的参数很多，我们可以使用默认的，需要修改的参数，在下一步会讲到。
步骤三： 编辑代码、训练模型
新建项目之后，进入项目就是打开了notebook界面
按流程来，我们先将上传的数据集和代码解压。使用下面代码
import zipfile
#路径要填好
#要解压的文件路径
azip = zipfile.ZipFile('/home/aistudio/data/data13196/data.zip')
#解压后存放的路径
azip.extractall('/home/aistudio/data/data13196/')
接着我们预处理数据，将数据编辑成模型输入的格式，代码如下
https://aistudio.baidu.com/aistudio/projectdetail/56889
只需要根据各自实际情况，修改设置我们数据的位置即可
all_file_dir = '/home/aistudio/data/data13196/data'
train.txt:训练集合的标签文件，每一行采用"空格"分隔图像路径与图像的标签，例如：
train/n02483708/n02483708_2436.jpeg 1val.txt:训练集合的标签文件，每一行采用"空格"分隔图像路径与图像的标签，例如：
val/ILSVRC2012_val_00000001.jpeg 2接下来可以开始训练了，使用代码：
!python work/image_classification/train.py
--data_dir=data/data13196/preteatment
--class_dim=5
这里我只修改了两个参数 --data_dir 上面预处理后的数据路径，--class_dim 要分类的类别数。
work/image_classification/train.py
这个是我们上传代码后，train.py的完整路径（根据自己实际情况修改）
如果要使用其他预训练模型，要从
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification?fr=gzh#%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87
下载预训练模型，并上传。
然后添加相应的参数：
--model=model_name #模型名字
--pretrained_model=${path_to_pretrain_model} #预训练模型路径模型名字可以在这里查看
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification/scripts/train
经过以上步骤，就可以训练出一个高准确率（最高可达99%以上）的图像分类模型。模型评估，预测代码在项目中也已经提供，详细请看
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification