上回说到RESNET50做迁移学习，今天看一下他在图片分类上面的表现。图像分类是最基础的计算机视觉应用，属于有监督学习类别，先喂一堆猫的照片告诉他这是猫，再喂一堆狗的图片告诉他这是狗。

CIFAR-10数据集共有60000张32*32的彩色图像，分为10个类别，每类有6000张图，数据集一共有50000张训练图片和10000张评估图片。数据量还是很大的。

这里是一些数据集的样本图。虽然包浆比较严重，但是还是可以分辨出来的。各种类型的图片。
在这里插入图片描述

ResNet网络层结构如下图所示，以

1. 输入彩色图像 224×224
2. 首先通过数量64，卷积核大小为 7×7
3. stride为2的卷积层conv1，该层输出图片大小为 112×112
4. 输出channel为64；然后通过一个 3×3的最大下采样池化层，该层输出图片大小为 56×56
5. 输出channel为64；再堆叠4个残差网络块（conv2_x、conv3_x、conv4_x和conv5_x），此时输出图片大小为 7×7
6. 输出channel为2048；最后通过一个平均池化层、全连接层和softmax，得到分类概率。

import matplotlib.pyplot as plt


def visualize_model(best_ckpt_path, dataset_val):
    num_class = 10  # 对狼和狗图像进行二分类
    net = resnet50(num_class)
    # 加载模型参数
    param_dict = ms.load_checkpoint(best_ckpt_path)
    ms.load_param_into_net(net, param_dict)
    # 加载验证集的数据进行验证
    data = next(dataset_val.create_dict_iterator())
    images = data["image"]
    labels = data["label"]
    # 预测图像类别
    output = net(data['image'])
    pred = np.argmax(output.asnumpy(), axis=1)

    # 图像分类
    classes = []

    with open(data_dir + "/batches.meta.txt", "r") as f:
        for line in f:
            line = line.rstrip()
            if line:
                classes.append(line)

    # 显示图像及图像的预测值
    plt.figure()
    for i in range(6):
        plt.subplot(2, 3, i + 1)
        # 若预测正确，显示为蓝色；若预测错误，显示为红色
        color = 'blue' if pred[i] == labels.asnumpy()[i] else 'red'
        plt.title('predict:{}'.format(classes[pred[i]]), color=color)
        picture_show = np.transpose(images.asnumpy()[i], (1, 2, 0))
        mean = np.array([0.4914, 0.4822, 0.4465])
        std = np.array([0.2023, 0.1994, 0.2010])
        picture_show = std * picture_show + mean
        picture_show = np.clip(picture_show, 0, 1)
        plt.imshow(picture_show)
        plt.axis('off')

    plt.show()


# 使用测试数据集进行验证
visualize_model(best_ckpt_path=best_ckpt_path, dataset_val=dataset_val)

可以看到 预测的准确率还是不错的。