利用PyTorch在物体数据库上训练ResNet

最近几年，在处理语音、图像识别和语言处理等问题上，深度学习有着十分不错的表现。在所有类型神经网络中，卷积神经网络中研究最为深入的。在过去因为没有大数据与高性能的计算设备支撑，想要在不过拟合进行高性能卷积神经网络训练是难以想象的。如今卷积神经网络的飞速发展，离不开出现了ImageNet这样的数据，还有大幅提升的GPU计算性能。尽管各种 CNN 模型仍继续在多种计算机视觉应用中进一步推进当前最佳的表现，但在理解这些系统的工作方式和如此有效的原因上的进展仍还有限。这个问题已经引起了很多研究者的兴趣，为此也涌现出了很多用于理解 CNN 的方法。本课题主要研究了卷积神经网络ResNet，在pytorch平台进行对ResNet34神经网络的训练，得到达到识别精度的神经网络，并对设计的神经网络模型进行评估和测试。首先从已有的图库中crop处理做一个5*100的图像数据库，并搭建卷积神经网络研究平台PyTorch的Window平台，按要求训练出具有识别精度的神经网络，通过设计算法来测试模型的识别率，并将把模型的卷积核可视化。