项目实战：Torch实现简单分类网络

目录

简介

图像分类

深度学习分类原理

卷积层

全连接层

Softmax 函数

Loss计算

Torch代码实战

数据集

数据加载

模型搭建

损失函数

优化器

训练流程

模型预测

简介

这是一个简单的resnet实现猫狗分类例子，项目代码可在github获取，希望你能够学习如下内容：

1）神经网络实现分类的原理

2）了解模型优化流程：数据处理、损失计算、反向传播等

3）熟悉如何使用torch加载图片数据、搭建模型、训练模型。

图像分类

定义：给定一张图像，判断图像中目标类别

深度学习分类原理

在深度学习中，通过卷积神经网络对图像进行特征提取，得到一个代表图像特征的向量，然后通过全连接层将特征向量映射到类别输出，最后通过softmax层得到类别概率输出，整体流程如下。通过训练，不断的更新优化模型的参数，让模型具备预测新数据的能力。

卷积层

作用：通过滑动窗口（‌卷积核）‌在特征图上进行滑动并进行计算，‌实现图像的特征提取。‌卷积的特性包括局部感知机制、‌权值共享等，‌这些特性使得卷积神经网络能够有效地处理图像数据，‌同时减少模型的参数数量，‌防止过拟合。‌

图像在计算机中就是一个多维向量，比如（3x224x224），经过卷积网络后假设得到：（7x7x512）大小的特征图（32倍下采样）。

全连接层

简单来说，全连接层就是一个线性分类层，图像经过卷积网络得到的特征图经过池化或者flatten后，变成一维向量，比如长度512的向量，然后经过全连接层进行线性映射，得到类别输出。比如二分类，得到长度为2的向量。举一个简单的例子：

Softmax 函数

作用就是将一组数值转换为对应的概率，且概率和为 1。公式：

比如，经过全连接层得到每个类别输出值为[-0.3241, -0.8814]，经过 Softmax 之后，得到类别概率[0.6358, 0.3642]，原始的输出转换成一组概率，并且概率的和为 1 。原始输出中值最大的类别具有最大的概率。

Loss计算

深度学习模型训练流程：前向传播计算模型输出、模型输出和标签根据损失函数计算损失、通过损失计算模型参数的梯度、优化器根据参数梯度更新模型参数。损失函数在模型优化中比较重要，它影响模型参数的梯度计算。Softmax对应使用交叉熵损失函数，其计算公式如下：

上式中， a是softmax的计算结果,y是训练样本的标签（on