卷积网络项目：实现识别鲜花四分类对比LeNet5、VGG16、ResNet18、ResNet34分类网络

卷积四分类项目

Gitee传送门

分类目标选取

鲜花

杏花 apricot_blossom
桃花 peach_blossom
梨花 pear_blossom
梅花 plum_blossom

模型选择

卷积

LeNet5
VGG16
ResNet18
ResNet34

以图搜图

获取相似度前10的搜图结果

数据清洗

鲜花四分类

删除非图片文件

删除重复图片

整理数据集

鲜花四分类

每种类别数据：训练500、测试50、预测10
总训练集：2500
总测试集：250
总预测集：40

训练模型

报错

ValueError: num_samples should be a positive integer value, but got num_samples=0

换了电脑后，数据集的存储位置不同，更换路径后解决

RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same

原因：错误内容就在类型不匹配，根据报错内容可以看出Input type为torch.FloatTensor（CPU数据类型），而weight type（即网络权重参数这些）为torch.cuda.FloatTensor（GPU数据类型）
方案：将输入类型转变为GPU类型
输入数据和网络都切换到cuda，但问题仍存在
检查网络，修改模型隐藏层初始化方式后，解决了问题

鲜花

v1：LeNet5：bn

输出4分类

v2：VGG16：bn

数据太差，提前中断了训练

v3：ResNet18：bn

输出4分类

f4_v3：32x32

准确率仍上不去，预估增大迭代次数，准确率能慢慢提升

f4_v3.3：224x224

过拟合前最佳：

测试数据出现过拟合现象，考虑减小数据大小

f4_v3.4：112x112

过拟合前最佳：

再次出现过拟合，提前中断了训练

f4_v3.5：56x56

过拟合前最佳：

再次出现过拟合，提前中断了训练
结论：图片缩放大小无法解决过拟合问题

f4_v3.6：32x32，减4个残差块

测试集过拟合前

最佳

f4_v3.6：32x32，减4个残差块，transforms减Norm

测试集过拟合前

最佳

v4：ResNet34：bn

输出4分类

预估：增加迭代次数，可能能缓慢提升准确率

以图搜图

报错

ValueError: Expected more than 1 value per channel when training, got input size torch.Size([1, 512, 1, 1])

LeNet5模型能正常运行，ResNet18和ResNet34模型报错
正常运行
报错
报错
原因：模型中含有nn.BatchNorm层，训练时需要batch_size大于1，来计算当前batch的running mean and std。自定义数据数量除以batch_size后刚好余1，就发生了上述报错
方案1：在pytorch的Dataloader中设置drop_last=True即可，这样会忽略最后一个batch
尝试在数据集增加drop_last=True，再次训练，尚未解决这个问题
方案2：在添加数据前增加model.eval()
代码原本就有这个语句，仍存在这个问题
方案3：修改训练模型数据预处理中Resize大小32–>224，问题解决

搜图结果

v1：LeNet5：bn

没有一个是正确分类

v3：ResNet18：bn

f4_v3：32x32

没有一个是正确分类，且相似度差距很大

f4_v3.3：224x224

过拟合前最佳：

预测最佳类别中top10图片和原图类别相同，但与top1图片与原图相似度不是0
原因：检索库图片根据特征处理、带参数的模型生成对应的特征文件，更换特征处理方式或参数后，生成的特征文件有所不同，所以计算相似度，哪怕是原图也不为0
解决方案：更换特征处理方式或参数后，重新初始化特征文件，再进行预测，解决了这个问题