【Pytorch神经网络实战案例】25 （带数据增强）基于迁移学习识别多种鸟类（CUB-200数据集）
1 数据增强
在目前分类效果最好的EficientNet系列模型中，EfficientNet-B7版本的模型就是使用随机数据增强方法训练而成的。
RandAugment方法也是目前主流的数据增强方法，用RandAugment方法进行训练，会使模型的精度得到提升。
2 RandAugment
2.1 RandAugment方法简介
RandAugment方法是一种新的数据增强方法，它比自动数据增强（AutOAugment）方法更简单、更好用。它可以在原有的训练框架中，直接对AutoAugment方法进行替换。
2.1.1 Tip
AuoAugment方法包含30多个参数，可以对图片数据进行各种变换（参见arXiv网站上编号为1805.09501的论文)。
2.2 RandAugment方法的构成
RandAugment方法是在AutoAugment方法的基础之上，将30多个参数进行策略级的优化管理，使这30多个参数被简化成两个参数：图片的N次变换和每次变换的强度M。其中每次变换的强度M，取值为0～10（只取整数)，表示使原有图片增强失真的大小。
RandAugment方法以结果为导向，使数据增强过程更加面向用。在减少AutoAugment的运算消耗的同时，又使增强的效果变得可控。详细内容可以参考相关论文(参见arXⅳ网站上编号为1909.13719的论文)。
2.2 代码获取
https://github.com/heartInsert/randaugment
# 只有一个代码文件Rand_Augment，py，将其下载后，直接引入代码即可使用。3 本节案例（带有数据增强的识别）
3.1 案例简介
使用迁移学习对预训练模型进行微调的基础上实现数据增强，让其学习鸟类数据集，实现对多种鸟类进行识别。
3.2 代码实现：load_data函数加载图片名称与标签的加载----Transfer_bird2_Augmentation.py（第1部分）
import glob
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt #plt 用于显示图片
import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.utils.data import Dataset,DataLoader
import torchvision
import torchvision.models as model
from torchvision.transforms import ToPILImage
import torchvision.transforms as transforms
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
# 1.1 实现load_data函数加载图片名称与标签的加载，并使用torch.utils.data接口将其封装成程序可用的数据集类OwnDataset。
def load_dir(directory,labstart=0): # 获取所有directory中的所有图与标签
# 返回path指定的文件夹所包含的文件或文件名的名称列表
strlabels = os.listdir(directory)
# 对标签进行排序，以便训练和验证按照相同的顺序进行:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。
strlabels.sort()
# 创建文件标签列表
file_labels = []
for i,label in enumerate(strlabels):
print(label)
jpg_names = glob.glob(os.path.join(directory,label,"*.jpg"))
print(jpg_names)
# 加入列表
file_labels.extend(zip(jpg_names, [i + labstart] * len(jpg_names)))
return file_labels,strlabels
def load_data(dataset_path): # 定义函数load_data函数完成对数据集中图片文件名称和标签的加载。
# 该函数可以实现两层文件夹的嵌套结构。其中，外层结构使用load_data函数进行遍历，内层结构使用load_dir函进行遍历。
sub_dir = sorted(os.listdir(dataset_path)) # 跳过子文件夹:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。
start = 1 # 第0类是none
tfile_lables,tstrlabels = [],['none'] # 在制作标签时，人为地在前面添加了一个序号为0的none类。这是一个训练图文类模型的技巧，为了区分模型输出值是0和预测值是0这两种情况。
for i in sub_dir:
directory = os.path.join(dataset_path,i)
if os.path.isdir(directory) == False: # 只处理文件夹中的数据
print(directory)
continue
file_labels,strlables = load_dir(directory,labstart=start)
tfile_lables.extend(file_labels)
tstrlabels.extend(strlables)
start = len(strlables)
# 将数据路径与标签解压缩,把数据路径和标签解压缩出来
filenames,labels = zip(*tfile_lables)
return filenames, labels, tstrlabels3.3 代码实现：自定义数据集类OwnDataset----Transfer_bird2_Augmentation.py（第2部分）
# 1.2 实现自定义数据集OwnDataset
def default_loader(path) : # 定义函数加载图片
return Image.open(path).convert('RGB')
class OwnDataset(Dataset): # 复用性较强，可根据自己的数据集略加修改使用
# 在PyTorch中，提供了一个torch.utis.data接口，可以用来对数据集进行封装。在实现时，只需要继承torch.utis.data.Dataset类，并重载其__gettem__方法。
# 在使用时，框架会向__gettem__方法传入索引index，在__gettem__方法内部根据指定index加载数据，并返回。
def __init__(self,img_dir,labels,indexlist=None,transform=transforms.ToTensor(),loader=default_loader,cache=True): # 初始化
self.labels = labels # 存放标签
self.img_dir = img_dir # 样本图片文件名
self.transform = transform # 预处理方法
self.loader = loader # 加载方法
self.cache = cache # 缓存标志
if indexlist is None: # 要加载的数据序列
self.indexlist = list(range(len(self.img_dir)))
else:
self.indexlist = indexlist
self.data = [None] * len(self.indexlist) # 存放样本图片
def __getitem__(self, idx): # 加载指定索引数据
if self.data[idx] is None: # 第一次加载
data = self.loader(self.img_dir[self.indexlist[idx]])
if self.transform:
data = self.transform(data)
else:
data = self.data[idx]
if self.cache: # 保存到缓存里
self.data[idx] = data
return data,self.labels[self.indexlist[idx]]
def __len__(self): # 计算数据集长度
return len(self.indexlist)3.4 代码实战：测试数据集----Transfer_bird2_Augmentation.py（第3部分）【数据增强模块】
# 1.3 测试数据集：在完成数据集的制作之后，编写代码对其进行测试。
# 数据增强模块
from Rand_Augment import Rand_Augment
data_transform = { #定义数据的预处理方法
'train':transforms.Compose([
Rand_Augment(), # 数据增强的方法带入 仅此一处修改
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
]),
'val':transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
]),
}
def Reduction_img(tensor,mean,std): #还原图片，实现了图片归一化的逆操作，显示数据集中的原始图片。
dtype = tensor.dtype
mean = torch.as_tensor(mean,dtype=dtype,device=tensor.device)
std = torch.as_tensor(std,dtype=dtype,device=tensor.device)
tensor.mul_(std[:,None,None]).add_(mean[:,None,None]) # 还原操作
dataset_path = r'./data/cub200/' # 加载数据集路径
filenames,labels,classes = load_data(dataset_path) # 调用load_data函数对数据集中图片文件名称和标签进行加载，其返回对象classes中包含全部的类名。
# 打乱数据顺序
# 110-115行对数据文件列表的序号进行乱序划分，分为测试数据集和训练数集两个索引列表。该索引列表会传入OwnDataset类做成指定的数据集。
np.random.seed(0)
label_shuffle_index = np.random.permutation(len(labels))
label_train_num = (len(labels)//10) * 8 # 划分训练数据集和测试数据集
train_list = label_shuffle_index[0:label_train_num]
test_list = label_shuffle_index[label_train_num:] # 没带：
train_dataset = OwnDataset(filenames,labels,train_list,data_transform['train'])# 实例化训练数据集
val_dataset = OwnDataset(filenames,labels,test_list,data_transform['val']) # 实例化测试数据集
# 实例化批次数据集：OwnDataset类所定义的数据集，其使用方法与PyTorch中的内置数据集的使用方法完全一致，配合DataLoader接口即可生成可以进行训练或测试的批次数据。具体代码如下。
train_loader = DataLoader(dataset=train_dataset,batch_size=32,shuffle=True)
val_loader = DataLoader(dataset=val_dataset,batch_size=32,shuffle=True)
sample = iter(train_loader) # 获取一批次数据，进行测试
images,labels = sample.next()
print("样本形状",np.shape(images))
print("标签个数",len(classes))
mulimgs = torchvision.utils.make_grid(images[:10],nrow=10) # 拼接多张图片
Reduction_img(mulimgs,[0.485,0.456,0.406],[0.229,0.224,0.225])
_img = ToPILImage()(mulimgs) # 将张量转化为图片
plt.axis('off')
plt.imshow(_img) # 显示
plt.show()
print(','.join('%5s' % classes[labels[j]] for j in range(len(images[:10]))))
输出：
样本形状 torch.Size([32, 3, 224, 224])
标签个数 6输出数据集中的10个图片
3.5 代码实战：获取并改造ResNet模型----Transfer_bird2_Augmentation.py（第4部分）
# 1.4 获取并改造ResNet模型：获取ResNet模型，并加载预训练模型的权重。将其最后一层（输出层）去掉，换成一个全新的全连接层，该全连接层的输出节点数与本例分类数相同。
# 指定设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
# get_ResNet函数，获取预训练模型，可指定pretrained=True来实现自动下载预训练模型，也可指定loadfile来从本地路径加载预训练模型。
def get_ResNet(classes,pretrained=True,loadfile=None):
ResNet = model.resnet101(pretrained) # 自动下载官方的预训练模型
if loadfile != None:
ResNet.load_state_dict(torch.load(loadfile)) # 加载本地模型
# 将所有的参数层进行冻结：设置模型仅最后一层可以进行训练，使模型只针对最后一层进行微调。
for param in ResNet.parameters():
param.requires_grad = False
# 输出全连接层的信息
print(ResNet.fc)
x = ResNet.fc.in_features # 获取全连接层的输入
ResNet.fc = nn.Linear(x,len(classes)) # 定义一个新的全连接层
print(ResNet.fc) # 最后输出新的模型
return ResNet
ResNet = get_ResNet(classes) # 实例化模型
ResNet.to(device=device)3.6 代码实战：定义损失函数、训练函数及测试函数，对模型的最后一层进行微调----Transfer_bird2_Augmentation.py（第5部分）
# 1.5 定义损失函数、训练函数及测试函数，对模型的最后一层进行微调。
criterion = nn.CrossEntropyLoss()
# 指定新加的全连接层的学习率
optimizer = torch.optim.Adam([{'params':ResNet.fc.parameters()}],lr=0.01)
def train(model,device,train_loader,epoch,optimizer): # 定义训练函数
model.train()
allloss = []
for batch_idx,data in enumerate(train_loader):
x,y = data
x = x.to(device)
y = y.to(device)
optimizer.zero_grad()
y_hat = model(x)
loss = criterion(y_hat,y)
loss.backward()
allloss.append(loss.item())
optimizer.step()
print('Train Epoch:{}\t Loss:{:.6f}'.format(epoch,np.mean(allloss))) # 输出训练结果
def test(model,device,val_loader): # 定义测试函数
model.eval()
test_loss = []
correct = []
with torch.no_grad(): # 使模型在运行时不进行梯度跟踪，可以减少模型运行时对内存的占用。
for i,data in enumerate(val_loader):
x, y = data
x = x.to(device)
y = y.to(device)
y_hat = model(x)
test_loss.append(criterion(y_hat,y).item()) # 收集损失函数
pred = y_hat.max(1,keepdim=True)[1] # 获取预测结果
correct.append(pred.eq(y.view_as(pred)).sum().item()/pred.shape[0]) # 收集精确度
print('\nTest:Average loss:{:,.4f},Accuracy:({:,.0f}%)\n'.format(np.mean(test_loss),np.mean(correct)*100)) # 输出测试结果
# 迁移学习的两个步骤如下
if __name__ == '__main__':
# 迁移学习步骤①：固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛。
firstmodepth = './data/cub200/firstmodepth_1.pth' # 定义模型文件的地址
if os.path.exists(firstmodepth) == False:
print("—————————固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛—————————")
for epoch in range(1,2): # 迭代两次
train(ResNet,device,train_loader,epoch,optimizer)
test(ResNet,device,val_loader)
# 保存模型
torch.save(ResNet.state_dict(),firstmodepth)3.7 代码实战：使用退化学习率对模型进行全局微调----Transfer_bird2_Augmentation.py（第6部分）
# 1.6 使用退化学习率对模型进行全局微调
#迁移学习步骤②：使用较小的学习率，对全部模型进行训练，并对每层的权重进行细微的调节，即将模型的每层权重都设为可训练，并定义带有退化学习率的优化器。（1.6部分）
secondmodepth = './data/cub200/firstmodepth_2.pth'
optimizer2 = optim.SGD(ResNet.parameters(),lr=0.001,momentum=0.9) # 第198行代码定义带有退化学习率的SGD优化器。该优化器常用来对模型进行手动微调。有实验表明，使用经过手动调节的SGD优化器，在训练模型的后期效果优于Adam优化器。
exp_lr_scheduler = lr_scheduler.StepLR(optimizer2,step_size=2,gamma=0.9) # 由于退化学习率会在训练过程中不断地变小，为了防止学习率过小，最终无法进行权重需要对其设置最小值。当学习率低于该值时，停止对退化学习率的操作。
for param in ResNet.parameters(): # 所有参数设计为可训练
param.requires_grad = True
if os.path.exists(secondmodepth):
ResNet.load_state_dict(torch.load(secondmodepth)) # 加载本地模型
else:
ResNet.load_state_dict(torch.load(firstmodepth)) # 加载本地模型
print("____使用较小的学习率，对全部模型进行训练，定义带有退化学习率的优化器______")
for epoch in range(1,100):
train(ResNet,device,train_loader,epoch,optimizer2)
if optimizer2.state_dict()['param_groups'][0]['lr'] > 0.00001:
exp_lr_scheduler.step()
print("___lr:",optimizer2.state_dict()['param_groups'][0]['lr'])
test(ResNet,device,val_loader)
# 保存模型
torch.save(ResNet.state_dict(),secondmodepth)4 代码总览Transfer_bird2_Augmentation.py
import glob
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt #plt 用于显示图片
import torch
import torch.nn as nn
import torch.optim as optim
from torch.optim import lr_scheduler
from torch.utils.data import Dataset,DataLoader
import torchvision
import torchvision.models as model
from torchvision.transforms import ToPILImage
import torchvision.transforms as transforms
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
# 1.1 实现load_data函数加载图片名称与标签的加载，并使用torch.utils.data接口将其封装成程序可用的数据集类OwnDataset。
def load_dir(directory,labstart=0): # 获取所有directory中的所有图与标签
# 返回path指定的文件夹所包含的文件或文件名的名称列表
strlabels = os.listdir(directory)
# 对标签进行排序，以便训练和验证按照相同的顺序进行:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。
strlabels.sort()
# 创建文件标签列表
file_labels = []
for i,label in enumerate(strlabels):
print(label)
jpg_names = glob.glob(os.path.join(directory,label,"*.jpg"))
print(jpg_names)
# 加入列表
file_labels.extend(zip(jpg_names, [i + labstart] * len(jpg_names)))
return file_labels,strlabels
def load_data(dataset_path): # 定义函数load_data函数完成对数据集中图片文件名称和标签的加载。
# 该函数可以实现两层文件夹的嵌套结构。其中，外层结构使用load_data函数进行遍历，内层结构使用load_dir函进行遍历。
sub_dir = sorted(os.listdir(dataset_path)) # 跳过子文件夹:在不同的操作系统中，加载文件夹的顺序可能不同。目录不同的情况会导致在不同的操作系统中，模型的标签出现串位的现象。所以需要对文件夹进行排序，保证其顺序的一致性。
start = 1 # 第0类是none
tfile_lables,tstrlabels = [],['none'] # 在制作标签时，人为地在前面添加了一个序号为0的none类。这是一个训练图文类模型的技巧，为了区分模型输出值是0和预测值是0这两种情况。
for i in sub_dir:
directory = os.path.join(dataset_path,i)
if os.path.isdir(directory) == False: # 只处理文件夹中的数据
print(directory)
continue
file_labels,strlables = load_dir(directory,labstart=start)
tfile_lables.extend(file_labels)
tstrlabels.extend(strlables)
start = len(strlables)
# 将数据路径与标签解压缩,把数据路径和标签解压缩出来
filenames,labels = zip(*tfile_lables)
return filenames, labels, tstrlabels
# 1.2 实现自定义数据集OwnDataset
def default_loader(path) : # 定义函数加载图片
return Image.open(path).convert('RGB')
class OwnDataset(Dataset): # 复用性较强，可根据自己的数据集略加修改使用
# 在PyTorch中，提供了一个torch.utis.data接口，可以用来对数据集进行封装。在实现时，只需要继承torch.utis.data.Dataset类，并重载其__gettem__方法。
# 在使用时，框架会向__gettem__方法传入索引index，在__gettem__方法内部根据指定index加载数据，并返回。
def __init__(self,img_dir,labels,indexlist=None,transform=transforms.ToTensor(),loader=default_loader,cache=True): # 初始化
self.labels = labels # 存放标签
self.img_dir = img_dir # 样本图片文件名
self.transform = transform # 预处理方法
self.loader = loader # 加载方法
self.cache = cache # 缓存标志
if indexlist is None: # 要加载的数据序列
self.indexlist = list(range(len(self.img_dir)))
else:
self.indexlist = indexlist
self.data = [None] * len(self.indexlist) # 存放样本图片
def __getitem__(self, idx): # 加载指定索引数据
if self.data[idx] is None: # 第一次加载
data = self.loader(self.img_dir[self.indexlist[idx]])
if self.transform:
data = self.transform(data)
else:
data = self.data[idx]
if self.cache: # 保存到缓存里
self.data[idx] = data
return data,self.labels[self.indexlist[idx]]
def __len__(self): # 计算数据集长度
return len(self.indexlist)
# 1.3 测试数据集：在完成数据集的制作之后，编写代码对其进行测试。
# 数据增强模块
from Rand_Augment import Rand_Augment
data_transform = { #定义数据的预处理方法
'train':transforms.Compose([
Rand_Augment(), # 数据增强的方法带入 仅此一处修改
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
]),
'val':transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
]),
}
def Reduction_img(tensor,mean,std): #还原图片，实现了图片归一化的逆操作，显示数据集中的原始图片。
dtype = tensor.dtype
mean = torch.as_tensor(mean,dtype=dtype,device=tensor.device)
std = torch.as_tensor(std,dtype=dtype,device=tensor.device)
tensor.mul_(std[:,None,None]).add_(mean[:,None,None]) # 还原操作
dataset_path = r'./data/cub200/' # 加载数据集路径
filenames,labels,classes = load_data(dataset_path) # 调用load_data函数对数据集中图片文件名称和标签进行加载，其返回对象classes中包含全部的类名。
# 打乱数据顺序
# 110-115行对数据文件列表的序号进行乱序划分，分为测试数据集和训练数集两个索引列表。该索引列表会传入OwnDataset类做成指定的数据集。
np.random.seed(0)
label_shuffle_index = np.random.permutation(len(labels))
label_train_num = (len(labels)//10) * 8 # 划分训练数据集和测试数据集
train_list = label_shuffle_index[0:label_train_num]
test_list = label_shuffle_index[label_train_num:] # 没带：
train_dataset = OwnDataset(filenames,labels,train_list,data_transform['train'])# 实例化训练数据集
val_dataset = OwnDataset(filenames,labels,test_list,data_transform['val']) # 实例化测试数据集
# 实例化批次数据集：OwnDataset类所定义的数据集，其使用方法与PyTorch中的内置数据集的使用方法完全一致，配合DataLoader接口即可生成可以进行训练或测试的批次数据。具体代码如下。
train_loader = DataLoader(dataset=train_dataset,batch_size=32,shuffle=True)
val_loader = DataLoader(dataset=val_dataset,batch_size=32,shuffle=True)
sample = iter(train_loader) # 获取一批次数据，进行测试
images,labels = sample.next()
print("样本形状",np.shape(images))
print("标签个数",len(classes))
mulimgs = torchvision.utils.make_grid(images[:10],nrow=10) # 拼接多张图片
Reduction_img(mulimgs,[0.485,0.456,0.406],[0.229,0.224,0.225])
_img = ToPILImage()(mulimgs) # 将张量转化为图片
plt.axis('off')
plt.imshow(_img) # 显示
plt.show()
print(','.join('%5s' % classes[labels[j]] for j in range(len(images[:10]))))
# 1.4 获取并改造ResNet模型：获取ResNet模型，并加载预训练模型的权重。将其最后一层（输出层）去掉，换成一个全新的全连接层，该全连接层的输出节点数与本例分类数相同。
# 指定设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
# get_ResNet函数，获取预训练模型，可指定pretrained=True来实现自动下载预训练模型，也可指定loadfile来从本地路径加载预训练模型。
def get_ResNet(classes,pretrained=True,loadfile=None):
ResNet = model.resnet101(pretrained) # 自动下载官方的预训练模型
if loadfile != None:
ResNet.load_state_dict(torch.load(loadfile)) # 加载本地模型
# 将所有的参数层进行冻结：设置模型仅最后一层可以进行训练，使模型只针对最后一层进行微调。
for param in ResNet.parameters():
param.requires_grad = False
# 输出全连接层的信息
print(ResNet.fc)
x = ResNet.fc.in_features # 获取全连接层的输入
ResNet.fc = nn.Linear(x,len(classes)) # 定义一个新的全连接层
print(ResNet.fc) # 最后输出新的模型
return ResNet
ResNet = get_ResNet(classes) # 实例化模型
ResNet.to(device=device)
# 1.5 定义损失函数、训练函数及测试函数，对模型的最后一层进行微调。
criterion = nn.CrossEntropyLoss()
# 指定新加的全连接层的学习率
optimizer = torch.optim.Adam([{'params':ResNet.fc.parameters()}],lr=0.01)
def train(model,device,train_loader,epoch,optimizer): # 定义训练函数
model.train()
allloss = []
for batch_idx,data in enumerate(train_loader):
x,y = data
x = x.to(device)
y = y.to(device)
optimizer.zero_grad()
y_hat = model(x)
loss = criterion(y_hat,y)
loss.backward()
allloss.append(loss.item())
optimizer.step()
print('Train Epoch:{}\t Loss:{:.6f}'.format(epoch,np.mean(allloss))) # 输出训练结果
def test(model,device,val_loader): # 定义测试函数
model.eval()
test_loss = []
correct = []
with torch.no_grad(): # 使模型在运行时不进行梯度跟踪，可以减少模型运行时对内存的占用。
for i,data in enumerate(val_loader):
x, y = data
x = x.to(device)
y = y.to(device)
y_hat = model(x)
test_loss.append(criterion(y_hat,y).item()) # 收集损失函数
pred = y_hat.max(1,keepdim=True)[1] # 获取预测结果
correct.append(pred.eq(y.view_as(pred)).sum().item()/pred.shape[0]) # 收集精确度
print('\nTest:Average loss:{:,.4f},Accuracy:({:,.0f}%)\n'.format(np.mean(test_loss),np.mean(correct)*100)) # 输出测试结果
# 迁移学习的两个步骤如下
if __name__ == '__main__':
# 迁移学习步骤①：固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛。
firstmodepth = './data/cub200/firstmodepth_1.pth' # 定义模型文件的地址
if os.path.exists(firstmodepth) == False:
print("—————————固定预训练模型的特征提取部分，只对最后一层进行训练，使其快速收敛—————————")
for epoch in range(1,2): # 迭代两次
train(ResNet,device,train_loader,epoch,optimizer)
test(ResNet,device,val_loader)
# 保存模型
torch.save(ResNet.state_dict(),firstmodepth)
# 1.6 使用退化学习率对模型进行全局微调
#迁移学习步骤②：使用较小的学习率，对全部模型进行训练，并对每层的权重进行细微的调节，即将模型的每层权重都设为可训练，并定义带有退化学习率的优化器。（1.6部分）
secondmodepth = './data/cub200/firstmodepth_2.pth'
optimizer2 = optim.SGD(ResNet.parameters(),lr=0.001,momentum=0.9) # 第198行代码定义带有退化学习率的SGD优化器。该优化器常用来对模型进行手动微调。有实验表明，使用经过手动调节的SGD优化器，在训练模型的后期效果优于Adam优化器。
exp_lr_scheduler = lr_scheduler.StepLR(optimizer2,step_size=2,gamma=0.9) # 由于退化学习率会在训练过程中不断地变小，为了防止学习率过小，最终无法进行权重需要对其设置最小值。当学习率低于该值时，停止对退化学习率的操作。
for param in ResNet.parameters(): # 所有参数设计为可训练
param.requires_grad = True
if os.path.exists(secondmodepth):
ResNet.load_state_dict(torch.load(secondmodepth)) # 加载本地模型
else:
ResNet.load_state_dict(torch.load(firstmodepth)) # 加载本地模型
print("____使用较小的学习率，对全部模型进行训练，定义带有退化学习率的优化器______")
for epoch in range(1,100):
train(ResNet,device,train_loader,epoch,optimizer2)
if optimizer2.state_dict()['param_groups'][0]['lr'] > 0.00001:
exp_lr_scheduler.step()
print("___lr:",optimizer2.state_dict()['param_groups'][0]['lr'])
test(ResNet,device,val_loader)
# 保存模型
torch.save(ResNet.state_dict(),secondmodepth)