第五十五回吴用使时迁偷甲汤隆赚徐宁上山-以102flowers数据集为例训练ResNet50模型

汤隆说我家世代打造兵器，破连环马需要用钩镰枪，我会打造。还需要我的姑表哥，金枪手徐宁，因为他会钩镰枪法。汤隆和吴用商议了请徐宁上山的法子，派石迁去偷徐宁的宝贝雁翎锁子甲。

石迁到了东京，打听到徐宁住处，偷偷溜进去。五更天徐宁去上班，石迁从房梁上拿下来了锁子甲，混出了城门，往回走。路上碰到戴宗，戴宗说我先把甲带回山寨，你和汤隆慢慢地来。石迁打开皮匣，取出锁子甲给了戴宗。不久，石迁碰到汤隆，汤隆让石迁走特定的路线，在门上有白粉圈的店里吃饭休息。

徐宁黄昏时候回家，才知道锁子甲被盗了，准备不声张，暗中查找。这时汤隆来拜访，说路上见有人带着一个红羊皮匣子，于是两人一路追赶，在一座古庙见到了石迁。石迁说甲已经被别人先拿走了，只要饶了我，我可以给你带路。于是徐宁就跟着石迁走。

术业有专攻，石迁这是又立了大功了。AI学习也有很强的技术性和时效性，我们可以先通过一个例子来学习。

以102flowers数据集为例训练ResNet50模型

使用飞桨高阶API，使用最少的代码量，实现在102flowers数据集训练ResNet50模型。同时可以一条命令修改成Mnist、Cifar10、Cifar100等数据集，换成其它模型也是只需要一句话代码。

数据集介绍

102flowers数据集是一个专门用于图像分类的数据集，主要涵盖了102种英国常见的花类。每个类别包含40到258张图像，总计包含了大量的图像数据。这些图像在比例、姿势以及光照方面有着丰富的变化，为图像分类任务提供了丰富的素材。官网网址为：https://www.robots.ox.ac.uk/~vgg/data/flowers/102/

飞桨自带了该数据集，直接调用即可，会从飞桨站点自动下载数据文件。若是自定义数据集，可参考相关文档：https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/beginner/data_load_cn.html

ResNet模型介绍

ResNet（Residual Neural Network）是一种深度卷积神经网络，在2015年提出。ResNet通过使用残差块（ResNet Block）成功解决了深度网络训练时的梯度消失问题，使得更深的网络能够被训练。ResNet模型在ILSVRC2015比赛中取得了冠军，并在多个视觉任务中表现突出，因此在实践中得到了广泛应用。
根据网络深度，ResNet有18、34、50、101和152层等多种。一直到今天，ResNet依然是使用最广泛的模型。

在飞桨中可以用一条命令直接调用该模型，非常简单方便。

训练模型

使用飞桨高层API，在配置好数据集和模型后，只需要两句代码就可以开始训练。

完整训练代码
# 导入飞桨PaddlePaddle框架
import paddle
# 导入PaddlePaddle的视觉处理模块中的函数，ToTensor用于将图像数据转换为张量格式，Resize用于调整图像大小，Compose用于组合多个转换操作。
from paddle.vision.transforms import ToTensor,Resize, Compose
# 导入Flowers数据集
from paddle.vision.datasets import Flowers

# 定义了一个转换组合，首先使用Resize将图像大小调整为224x224，然后使用ToTensor将图像转换为张量格式。
transform = Compose([Resize(size=(224, 224)), ToTensor()]) 
# 加载花朵数据集的训练集和测试集，并应用之前定义的转换组合。
train_dataset = Flowers(mode='train', transform=transform)
test_dataset = Flowers(mode='test', transform=transform)

# 直接调用飞桨ResNet34模型
resnet = paddle.vision.models.resnet34()

# model包含了训练功能
model = paddle.Model(resnet)

# 设置训练模型所需的optimizer, loss, metric
model.prepare(
    paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),
    paddle.nn.CrossEntropyLoss(),
    paddle.metric.Accuracy(topk=(1, 2))
    )

# 启动训练,20个epochs V100下大约10分钟
model.fit(train_dataset, epochs=20, batch_size=32, log_freq=100)

# 启动评估
model.evaluate(test_dataset, log_freq=20, batch_size=64)
最终精度为：
{'loss': [1.3582209348678589], 'acc_top1': 0.6813725490196079, 'acc_top2': 0.8}