1、介绍

GhostNet 文章地址：[1911.11907] GhostNet: More Features from Cheap Operations (arxiv.org)

主要思想：

特征提取的时候，很多特征图是具有高度相似性的，也就是说存在许多的冗余特征图。

从另一个角度想，利用一系列的线性变化，以很小的代价生成许多能从原始特征发掘所需信息的“幻影”特征图呢

冗余的特征图是非常有必要的，可以保证网络对输入数据的理解更为全面。

ghostnet 的版本，本人在github上搜到了三个版本，这里干脆一起实现了

文末有项目下载

2、代码解释

代码目录如下：

• 红色框为ghostnet 的主干网络
• 蓝色框为数据集，数据保存在不同目录中，如果有测试集的话，也放在这里即可
• 绿色框为训练生成的结果

2.1 训练脚本 train

传入参数如下：

网络的输出个数，代码会计算数据集，然后自动设定！

都是很常规的参数，优化器可供选择的有SGD、Adam，学习率采用自适应衰减

2.2 评估脚本 val

这里评估的代码从训练中独立出来，参数如下：

• pth 传入测试集。没有的话，传入验证集也可以
• 数据集的mean和std在训练日志log文件中可以找到

2.3 训练过程和结果

运行train脚本如下：

评估脚本如下：这里采用的评估指标是混淆矩阵、F1分数等等

训练结果：

weights 下有最好的权重和最后的权重文件

训练和验证集的loss、acc曲线

注意：这里val 比 train 的acc高，因为数据划分不平衡所致，val集数量加多一点即可

学习率衰减：

训练日志：这里有mean和std

 

数据预处理的可视化：

 

3、使用

项目地址： 基于ghostNet网络对将香蕉5种不同阶段成熟度的分类【包含数据集+代码+训练结果】资源-CSDN文库

配置GPU的torch训练，参考：Pytorch 配置 GPU 环境_pytorch gpu-CSDN博客

新建虚拟环境：conda create -n ghost python=3.8

激活虚拟环境：conda activate ghost

安装库文件即可：pip install -r requirements.txt

训练自己数据集，将数据集摆放好即可