Neural|图像分类 - scene classification 研究
首先把数据集的情况放上来，如下图所示:
文章图片
然后再看一下要用到的一些组件，如下图所示:
文章图片
最后一起看下模型的训练流程:
文章图片
最后一起看下训练的结果日志，如下图所示，可以看到 testAcc = 93.86%，此处用的是双卡 2080Ti，比单卡来说，训练的 batch_size 更大，所以准确率略微提升:
文章图片
还有一些地方可以总结下:
【Neural|图像分类 - scene classification 研究】模型在训练过程当中的指标有 loss 和 accuracy，从长期来看 loss 呈下降趋势，accuracy 呈上升趋势
为了加快训练速度，可以在训练过程中不计算 train_acc，取 val_acc 最大处，保存的 checkpoint
earlyStop 特别适用于 train_acc 和 val_acc 的 gap 随训练不断扩大，如果 val_acc 在 5 个 epoch 未发生下降，则停止训练
LR Scheduler，如果 train_loss 在 3 个 epoch 未发生下降，则学习率发生衰减
训练速度和过拟合是两大瓶颈
LR Scheduler 和 train_loss、train_acc 挂钩，test、val 和泛化性相关
代码地址: https://github.com/MaoXianXin/PycharmProjects
推荐阅读
- Java|Java OpenCV图像处理之SIFT角点检测详解
- jQuery插件
- 1.2序列通用操作
- ImageLoaders 加载图像
- 前沿论文|论文精读（Neural Architecture Search without Training）
- JAVA图像处理系列（四）——噪声
- 茶叶分类（五）（茶叶分为六大类，做茶的人只分两类）
- 使用交叉点观察器延迟加载图像以提高性能
- 神经网络Neural|神经网络Neural Networks
- Figure|Figure 图像