經過了幾個月的學習和實踐，我完成了優達學城網站上《
Python
Programming with Python Nanodegree
》課程的學習，該課程的終極項目就是使用Pytorch為
102種不同類型的花建立一個圖像分類器。
在完成這個項目的過程中，我和其他學員一樣，都碰到了各種問題和挑戰，是以寫下了這篇文章。希望你讀完這篇文章以後，會對你的機器學習有所裨益。
本文介紹了如何實作圖像分類的基礎概念，即了解圖像内容的算法。本文并不會詳細分步說明構模組化型的具體步驟，而是從宏觀上介紹整個過程，如果你正在學習機器學習或人工智能，相信這篇文章将會對你很有幫助。
在第一部分中，我們将介紹加載預訓練的神經網絡，為什麼要“重用”網絡（即使用預訓練神經網絡），指明哪些部分可以重用，哪些部分不可以重用，以及如何自定義預訓練網絡。
加載一個預訓練網絡“重用”是一個非常合理的政策，特别是當某些工具是大家都認可為标準的時候，“重用”更顯得尤為重要。在這個例子中，我們的出發點是
torchvision提供的一個模型架構。
現在，我們要做的是加載一個預先訓練好的網絡，并用自己的網絡替換它的分類器，然後，我們就可以訓練自己的分類器了。
雖然這個想法很合理，但是也比較麻煩，因為加載一個預先訓練好的網絡，并不會節省我們訓練分類器的工作量。
是以，使用預訓練網絡到底有什麼好處呢？當我們人類在看圖像的時候，我們會識别線條和形狀，鑒于此，我們才可以将圖像内容與之前看到的内容聯系起來。現在，我們希望分類器也能做到這點，但是，圖像并不是一個簡單的資料，而是由數千個獨立的像素組成，每個像素又由3個不同的值組合起來，形成顔色，即紅色、綠色和藍色。
從左到右，依次為：原始圖像，紅色，綠色，藍色。
如果我們希望分類器能夠處理這些資料，我們要做的就是将每個待處理圖像所包含的資訊，以分類器可以了解的格式傳給分類器，這就是預訓練網絡發揮作用的地方。
這些預訓練網絡主要由一組特征檢測器和分類器組成，其中，
特征檢測器被訓練成可以從每個圖像中提取資訊，分類器被訓練成了解特征層提供的輸入。
在這裡，特征檢測器已經在ImageNet中接受過訓練，并且性能良好，我們希望這點能夠繼續保持。在訓練分類器時，為了防止特征層被篡改，我們得對特征層進行“當機”，下面這些代碼可以很輕松的解決這一問題：
for param in model.parameters():
param.requires_grad = False
那麼，問題又來了，既然我們可以“重用”特征檢測器，我們為什麼不能“重用”分類器？要回答這個問題，我們先來看看VGG16架構的預設分類器：
(classifier): Sequential(
(0): Linear(in_features=25088, out_features=4096, bias=True)
(1): ReLU(inplace)
(2): Dropout(p=0.5)
(3): Linear(in_features=4096, out_features=4096, bias=True)
(4): ReLU(inplace)
(5): Dropout(p=0.5)
(6): Linear(in_features=4096, out_features=1000, bias=True)
)
首先，我們沒辦法保證這些代碼能夠起作用，在我們特定的環境中，這些預設層、元素、激活函數以及Dropout值并不一定是最佳的。
尤其是最後一層的輸出是1000個元素，這就容易了解了。在我們的例子中，我們要對102種不同類型的花進行分類，是以，
我們的分類器輸出必須是 102 ，而不是 1000從上面VGG16架構的預設分類器中，我們還可以注意到，分類器的輸入層有25088個元素，這是特定預訓練模型中特征檢測器的輸出大小，
是以，我們的分類器大小也必須要與要特征層的輸出相比對 結論從上面的分析，本文能夠得到以下結論：
1.預先訓練好的網絡非常有用。使用預訓練模型，可以讓我們更加專注于我們自己用例的具體細節，還可以重用衆所周知的工具，對用例中的圖像進行預處理。
2.分類器的輸出大小必須與我們希望識别的圖像數量相同。
3.特征層的輸出和自定義分類器的輸入大小必須相比對。
在下一篇文章中，我們将深入探讨，在訓練分類器過程中，如何避免一些常見的陷阱，并學習如何調整超參數，來提高模型的準确性。
本文由北郵
@愛可可-愛生活老師推薦，
阿裡雲雲栖社群組織翻譯。
文章原标題《Implementing an Image Classifier with PyTorch》
譯者：Mags，審校：袁虎。
文章為簡譯，更為詳細的内容，請檢視
原文