第四次作业：猫狗大战挑战赛

一.迁移学习

关键步骤

1.数据下载

下载并加载数据集，训练集含有Dog Cat的图片

2.数据集处理

（1）对图片进行预处理，全部处理成3x224x224（3表示RGB三色道）并将图片进行归一化处理（0，1）之间

（2）将测试集文件解压后添加到./dogcats/test/目录下，并在dsets中添加'test'值

添加后截图如下：

（3）查看dsets属性：

3.数据载入

（1）建立loader，分别从对应的目录里读取图片。valid 数据一共有2000张图，每个batch是5张，因此，下面进行遍历一共会输出到 400

同时，把第一个 batch 保存到 , linputs_tryabels_try，分别查看

（2）显示图片：

4创建 VGG Model

torchvision中集成了很多在 ImageNet （120万张训练数据） 上预训练好的通用的CNN模型，可以直接下载使用。

在本课程中，我们直接使用预训练好的 VGG 模型。同时，为了展示 VGG 模型对本数据的预测结果，还下载了 ImageNet 1000 个类的 JSON 文件。

在这部分代码中，对输入的5个图片利用VGG模型进行预测，同时，使用softmax对结果进行处理，随后展示了识别结果。可以看到，识别结果是比较非常准确的。


上述代码执行结果：

5.修改最后一层，冻结前面层的参数

  VGG 模型如下图所示，注意该网络由三种元素组成：
        卷积层（CONV）是发现图像中局部的 pattern
        全连接层（FC）是在全局上建立特征的关联
        池化（Pool）是给图像降维以提高特征的 invariance
  VGG：
  我们的目标是使用预训练好的模型，因此，需要把最后的 nn.Linear 层由1000类，替换为2类。为了在训练中冻结前面层的参数，需要设置required_grad=False。这样，反向传播训练梯度时，前面层的权重就不会自动更新了。训练中，只会更新最后一层的参数。

6.训练并测试全连接层

包括三个步骤：
第1步，创建损失函数和优化器；
第2步，训练模型；
第3步，测试模型。

测试模型（此时用的时valid中的数据，带有标记的数据）

用test测试集测试模型：

由于不是标记的，所以准确率没有参考意义！！！

7.数据写入文件（此部分借鉴了2组的写法）

由于在数据预处理阶段，进行了略有差别的操作，所以，此部分代码在其原有的基础上进行了一些改动

结果展示：
未排序的结果

后续操作需要在文件里将数据进行排序后保存在提交，不然只有0.1的分数（亲身经历过的）
排序后的结果：

8.测试结果截图