教程丨一文入门图像预训练模型

作者：Dr. Dataman
译者：刘媛媛

过去三十年来，研究学者在图像识别算法和图像数据集方面做了许多工作，积累了宝贵的知识经验。如果你对图像训练感兴趣，但又不知道从何开始。那么，我希望这篇文章可以为你提供一个很好的开始。

这篇文章简要介绍了过往的演变，并指出了当代热点话题。阅读本文后，你将熟悉以下主题：

丨ImageNet
丨预训练模型
丨迁移学习（热门主题）
丨使用预训练模型去识别一张未知图像
丨PyTorch

一、ImageNet的起源

基于监督学习的卷积神经网络模型的训练依赖于图像数据。在2000年代初期，大多数AI研究人员专注于图像分类问题的模型算法，但是由于缺乏大规模的数据样本使其具有很大的挑战性。

研究人员需要大量的图像及其对应的标签来训练模型，于是，ImageNet数据集就此诞生。

在科学研究中，两个学科交叉时可以碰撞出新的火花。

ImageNet由斯坦福大学人工智能研究员李飞飞构思和带头。2007年，当她开始构思ImageNet的想法时，她首先去会见了普林斯顿大学教授Christiane Fellbaum—— WordNet 的创建者之一，与他讨论了ImageNet项目。

WordNet是一个自然语言处理（NLP）的词汇数据库，用于记录名词、动词、附属词和副词之间的语义关系。

它有155,327个词汇，分为175,979个同义词，称为synsets（有些词汇只有一个synset，有些有几个）。

如果将图像附在WordNet中的词上，那不是很好吗？这就是ImageNet的起源。

ImageNet将成百上千的图像与WordNet中的同义词联系起来。从那时起，ImageNet就对计算机视觉和深度学习的发展起到了重要作用。这些数据可供研究人员免费使用，用于非商业用途。

ImageNet数据库有超过1400万张图片（14,197,122），被组织成21,841个子类别。数据集中的每张图片都是由人类注释的，并经过多年的质量控制。

ImageNet中的大多数同义词是名词（80,000多个），总共有100,000多个同义词。因此，ImageNet是一个组织良好的层次结构，使其对监督机器学习任务非常有用。你可以通过ImageNet网站自己注册，免费访问Ima