如何利用CNN和pytorch改进猫狗分类

Question

在这篇论文中，我试图遵循CNN的体系结构，使用深卷积神经网络（https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf）进行图像网络分类。在这篇论文中，我试图对1000个类进行分类。在

但是，我的测试准确率一直停留在50%，而且模型没有学习。在

我用23K张猫和狗的图片进行训练，并用2500张图片进行测试。在

这是指向我的笔记本https://github.com/jinglescode/workspace/blob/master/my-journey-computer-vision/codes/Cats_and_Dogs.ipynb的URL

有人能告诉我怎么了吗？我错过了什么？愿意学习。在

Answer 1

Normalize your data！！

对于图像数据，可以使用recommended ^{}到您的列车和测试数据集

normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                     std=[0.229, 0.224, 0.225])
train_transforms = transforms.Compose([transforms.RandomRotation(30),
                                       transforms.RandomResizedCrop(224),
                                       transforms.RandomHorizontalFlip(),
                                       transforms.ToTensor(),
                                       normalize]) 

test_transforms = transforms.Compose([transforms.Resize(255),
                                      transforms.CenterCrop(224),
                                      transforms.ToTensor(),
                                      normalize])

---

其他评论：

1. 如果您想“偷看”到数据加载器，那么实例化^{cd2>}是not a good idea。相反，您可以访问存储在dataloader中的数据集，并使用它的^{cd3>}：

   images, labels = dataloader.dataset[0]
   

2. 如果你的训练“卡在”了，通常的第一反应就是改变学习率