深度学习入门之ResNet食物图像分类

前言

参加了华为一个小比赛第四届MindCon-爱（AI）美食–10类常见美食图片分类，本来想实践机器学习课程的知识，后来发现图像分类任务基本都是用神经网络做，之前在兴趣课上学过一点神经网络但不多，通过这样一个完整的项目也算入门了。
代码仓库：https://github.com/fgmn/ResNet

任务

ResNet

这里主要结合官方pytorch代码和B站视频6.2 使用pytorch搭建ResNet并基于迁移学习训练进行理解。

模型

层数不同的网络许多子结构是相似的，因此对子结构的定义会有一些参数定义。

论文提到两种残差结构，从上面表格可以看到，左侧building block用于18，34层网络，右侧bottleneck用于50,101,152层网络。

左侧残差结构的实现如下，首先定义残差结构所使用的一系列层结构，stride=1时输入输出矩阵大小相同，stride=2时输出长宽均为输入的$\frac{1}{2}$，channel是通道数，和卷积核个数对应，如$3\times 3,64$代表使用64个大小为$3\times 3$的卷积核对输入的64个通道进行卷积运算。之后定义正向传播过程，实际定义了网络结构，bn层定义在卷积层和激活函数之间。同理，定义右侧残差结构，之后定义ResNet网络。

训练

指定训练设备cuda或者cpu，定义数据的transform，进行随机裁剪，随机翻转，标准化处理等等操作，加载训练集以及验证集，施加transform，定义batch_size=16，定义全连接层，交叉熵损失函数，以及Adam优化器，训练并验证，保存效果最好的网络。

问题

其实，我并没有很好理解整个网络框架，甚至一些基本cnn网络的知识都没有搞清楚，pytorch框架将很多细节隐藏起来了，这里留下一下我的问题和想法：

1. 网络的参数在哪，如何影响网络运行？卷积核应该是有参数的，bn层也有。最后参数量，FLOPs如何确定？
2. 数据如何流动，或者直接说是如何计算的？层与层之间是全连接的关系，也就是说一个神经元的输入来自上一层所有神经元的输出？神经元和卷积核的关系？
3. 数据transform的作用机理，或者更广泛地发问，标准化的数据为什么可以提升模型效果？之前在逻辑斯蒂回归中也是标准化数据后正确率大大提升。
4. batch的作用，为什么数据以batch为单位？是不是在SGD算法中以一个batch为单位做梯度下降？

ModelArts

虽然没有彻底理解网络机理，但这并不影响我们将它应用到任务上。华为云的ModelArts是面向开发者的一站式开发平台（官方），提供开发环境，不需要在服务器上再配置训练环境，而在本地我们需要conda install，pip install一堆软件包，而且还会遇到这些包可能有版本依赖，版本更新，有时候作者的导出环境可能有许多其他不相关的包等等问题。我用的是它提供的notebook，将代码和数据上传至云上，就可以直接进行开发、训练了。也可以远程创建训练作业，将数据集放在OBS服务的桶中，用SDK提交训练任务进行训练。平台还有部署上线，自动学习等服务，自动学习就是用它提供模型，无代码地进行图像分类，目标检测等任务。

最后的结果，在500张图片的测试集上有98%的正确率。