食物分类问题

---

设置随机种子的目的：如果我们得到了一个特别好的模型，但后面可能无法复现了

def seed_everything(seed):
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.benchmark = False
    torch.backends.cudnn.deterministic = True
    random.seed(seed)
    np.random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
#################################################################
seed_everything(0)
###############################################

---

数据增广：

计算机不认识有变化的图片。所以我们在训练的时候就要对图片进行各种变换（比如变小和旋转），这样就能让模型见过足够多的照片，这样就相当于把数据集扩充了。

每次取一个batch的数据，都进行增广。

#数据增广。
train_transform = transforms.Compose([
    transforms.ToPILImage(),#将张量（Tensor）转换为 PIL（Python Imaging Library）图像对象
    transforms.RandomResizedCrop(224),#把图片随机放大，再从其中拿出224*224.即只拿出原图的一部分。
    transforms.RandomRotation(50),#随机旋转
    transforms.ToTensor()#转为张量
])

在机器学习中，要把数据转换成张量的原因：大多数深度学习框架，如TensorFlow和PyTorch，都是基于张量进行计算的。这些框架提供了大量针对张量的优化算法和函数，可以高效地进行矩阵运算、梯度下降等操作。因此，为了利用这些框架进行深度学习，我们需要将数据转换为张量。

class myModel(nn.Module):
    def __init__(self, num_class):#num_class是类别数
        super(myModel, self).__init__()
        #  3*224*224  -> 512*7*7
        self.layer1 = nn.Sequential(
            nn.Conv2d(3,64,3,1,1),
            nn.BatchNorm2d(64),
            nn.ReLU(),#卷积层也是需要激活函数的
            nn.MaxPool2d(2)#最大池化
        )
        #  64*112*112
 
        # self.conv2= nn.Conv2d(64,128,3,1,1)
        # self.bn2 = nn.BatchNorm2d(128)
        # self.relu2 = nn.ReLU()
        # self.pool2 = nn.MaxPool2d(2)
        self.layer2 = nn.Sequential(
            nn.Conv2d(64,128,3,1,1),
            nn.BatchNorm2d(128),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        #128*56*56
 
        self.layer3 = nn.Sequential(
            nn.Conv2d(128,256,3,1,1),
            nn.BatchNorm2d(256),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
 
        #256*28*28
        self.layer4 = nn.Sequential(
            nn.Conv2d(256,512,3,1,1),
            nn.BatchNorm2d(512),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        # 512*14*14
        self.pool1 = nn.MaxPool2d(2)
        # 512*7*7 - 25088
        self.fc1 = nn.Linear(25088, 1000)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(1000, num_class)

BatchNorm2d是深度学习中的一种层，主要用于进行批归一化（Batch Normalization）操作。批归一化是一种常用的技术，用于解决深度神经网络训练中的梯度消失和梯度爆炸问题，提高网络的收敛速度和稳定性。它通过对每个小批量样本的特征进行规范化，使得特征的均值接近0，方差接近1，从而使输入数据分布更加稳定，有助于缓解梯度问题，提高网络的泛化能力。

argmax() 函数的作用是返回数组中最大元素的索引（位置）

---

迁移学习：数据量少时的最佳选择。eg：有个模型它训练得很好，已经训练了1000多万图片了，我们的模型效果很差，我们可以直接拿别人的模型。但最后的全连接不一样，我是分11类，他们是分1000类，所以我们只借特征提取器。

他们有很多预训练，我们只是微调。我们使用他们的参数和架构。