图像分类综述 & basic trick summary

     图像分类简介

       图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉的核心，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。 图像分类在许多领域都有着广泛的应用按照被提出的时间顺序，涵盖如下卷积神经网络：

1. LeNet：Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上，在手写数字识别任务上取得了巨大成功。
2. AlexNet：Alex Krizhevsky等人在2012年提出了AlexNet, 并应用在大尺寸图片数据集ImageNet上，获得了2012年ImageNet比赛冠军(ImageNet Large Scale Visual Recognition Challenge，ILSVRC）。
3. VGG：Simonyan和Zisserman于2014年提出了VGG网络结构，是当前最流行的卷积神经网络之一，由于其结构简单、应用性极强而深受广大研究者欢迎。
4. GoogLeNet：Christian Szegedy等人在2014提出了GoogLeNet，并取得了2014年ImageNet比赛冠军。
5. ResNet：Kaiming He等人在2015年提出了ResNet，通过引入残差模块加深网络层数，在ImagNet数据集上的错误率降低到3.6%，超越了人眼识别水平。ResNet的设计思想深刻地影响了后来的深度神经网络的设计。

 

 训练过程

 模型展示

（一）AlexNet

 （二）VGG&GoogLeNet

 （三）ResNet

 

ResNet演变 

（一）引入1*1卷积

 （二）基于ResNet的模型改进

 可分离卷积

分组卷积

 神经网络训练全过程

 训练策略对模型的提升

1.  在未过拟合的情况下，增加训练轮数。
2. 带有动量的优化器使得训练时不容易停留在鞍点。
3. warmup使模型在开始训练的时候更加稳定。
4. 有合适的lr前提下，进行weight-decay的调优。
5. 针对问题进行loss的优化。
6. 合适的数据增强可以增强模型的泛化能力。
7. 增加label smoothing & ema等trick。
8. amp加速训练。（富哥勿扰【手动狗头】）