pytorch进行图像分类的流程，下一篇为实例源代码解析

1.拿到数据首先对数据进行分析

对数据的分布有一个大致的了解，可以用画图函数查看所有类的分布情况。可以采取删除不合理类的方法来提高准确率；

对图像进行分析，在自定义的图像增强的多种方式中，尝试对图像进行变换，看是否存在主观上的特征增强，具体的增强

方法在aug.py文件中，可以在线下对数据进行测试，看是否在增强后对结果有好的影响。

2.模型的选取

依据新模型效果较好的原则，尽量选取已存在的最新模型，可以选取进几年再imagenet比赛上取得最好的效果的几种模型

分别进行测试，目前效果最好的模型是resnet(深度残差网络)，是卷积神经网络的最新发展；

但仅仅单模型的效果肯定是不如多模型综合的效果好的，所以可以选取效果较好的几种模型，最后按其权重进行加权平均

来获取最终的预测结果；

始终要注意的一点是，模型是次要的，最主要最核心的问题还是在于对于数据的处理。

3.处理数据

对数据图像进行增强，不管是使用pytorch自带的transform模块，还是自定义的数据增强处理方式，都要对数据进行合理的

改变，最基本的改变是对图像进行简单的随机翻转、切割、旋转等，还有要注意的一点是需要改变图像的尺寸，以适应模型

的输入要求。

本次比赛数据进行的增强方式有：

• RandomRotation(30)
• RandomHorizontalFlip()
• RandomVerticalFlip()
• RandomAffine(45)

4.超参数的设置

对于整体代码中所需要的超参数进行单独处理，设置在一个文件中，使用时候直接调用即可。

二、输入数据进入模型进行训练

1.划分数据集

首先根据所给文件把每个类的图像都分类到各自的文件夹中去，模型的输入要求类型基本都是这样，然后对于数据集划分为

训练集、测试集、验证集，分别在模型的训练、测试阶段使用。

2.模型训练

根据pytorch的模型训练过程，输入训练集，对模型进行训练，每个epoch后对模型进行评价，在整个epoch结束后，得到最好

的模型。

3.测试阶段

把测试集输入保存的最好模型中去，得到输出结果，进行分析。

三、pytorch中的训练模块化

1.加载模型

2.优化器和loss函数的设置

3.训练集加载入pytorch的数据加载类Dataloader中，以便于调用

4.开始每个epoch的训练，输入，目标，loss，归零，反向传播，开始

5.评估模型，得出最优模型

参考大神chaojiezhu的github。

https://github.com/spytensor/plants_disease_detection