一、数据准备

在实际应用场景中，由于训练数据集不足，所以很少有人会从头开始训练整个网络。普遍的做法是，在一个非常大的基础数据集上训练得到一个预训练模型，然后使用该模型来初始化网络的权重参数或作为固定特征提取器****应用于特定的任务中。本章将使用迁移学习的方法对lmageNet数据集中的狼和狗图像进行分类。

• 迁移学习详细内容见[Standford University CS231n]（https://cs231n.github.io/transfer-learning/#tf）。

1.1 下载数据集

下载案例所用到的[狗与狼分类数据集]（https://cloud-78365a87-82f4-48e6-83bb-b49e1db37fc2.xihe.mindspore.cn/lab/tree/%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89/ResNet50%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0.ipynb）,数据集中的图像来自于lmageNet，每个分类有大约120张训练图像与30张验证图像。使用download 接口下载数据集，并将下载后的数据集自动解压到当前目录下。

数据集的目录结构如下：

二、 加载数据集

狼狗数据集提取自lmageNet分类数据集，使用mindspore.dataset.ImageFolderDataset 接口来加载数据集，并进行相关图像增强操作。

首先执行过程定义一些输入:

2.1 数据集可视化

从mindspore.dataset.ImageFolderDataset 接口中加载的训练数据集返回值为字典，用户可通过create_dict_iterator 接口创建数据迭代器，使用next迭代访问数据集。本章中 batch_size设为18，所以使用next一次可获取18个图像及标签数据。

对获取到的图像及标签数据进行可视化，标题为图像对应的label名称。

三、训练模型

本章使用ResNet50模型进行训练。搭建好模型框架后，通过将pretrained参数设置为True来下载ResNet50的预训练模型并将权重参数加载到网络中。

3.1 构建Resnet50网络

3.2 固定特征进行训练

3.2.1 训练和评估

开始训练模型，与没有预训练模型相比，将节约一大半时间，因为此时可以不用计算部分梯度。保存评估精度最高的ckpt文件于当前路径的./BestCheckpoint/resnet50-best-freezing-param.ckpt。

3.2.2 可视化模型预测 以及打上时间标签和标记

使用固定特征得到的best.ckpt文件对对验证集的狼和狗图像数据进行预测。若预测字体为蓝色即为预测正确，若预测字体为红色则预测错误。