MicroNet实战分享！使用MicroNet实现图像分类（一）
来源：投稿 作者：AI浩
编辑：学姐
MicroNet实战
摘要
本文通过对植物幼苗分类的实际例子来感受一下MicroNet模型的效果。模型来自官方，我自己写了train和test部分。从得分情况来看，这个模型非常的优秀，我选择用的MicroNet-M3模型，大小仅有6M，但是ACC在95%左右，成绩非常惊艳！！！
这篇文章从实战的角度手把手带领大家完成训练和测试。通过这篇文章能让你学到：
如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？
如何配置MicroNet模型实现训练？
如何使用pytorch自带混合精度？
如何使用梯度裁剪防止梯度爆炸？
如何使用DP多显卡训练？
如何绘制loss和acc曲线？
如何生成val的测评报告？
如何编写测试脚本测试测试集？
如何使用余弦退火策略调整学习率？
如何使用AverageMeter类统计ACC和loss等自定义变量？
如何理解和统计ACC1和ACC5？
安装包
1、安装timm
使用pip就行，命令：
2、安装yacs
yacs的作者大名鼎鼎的Ross Girshick，faster-rcnn的作者。github地址：https://github.com/rbgirshick/yacs
yacs是一个轻量级用于定义和管理系统配置的开源库，是科学实验软件中常用的参数配置。在机器学习、深度学习模型训练过程中的超参数配置（卷积神经网络的深度，初始学习率等）。科学实验的重现性至关重要，因此，需要记录实验过程中的参数设置，以达到后期进行实验的重现。yacs使用一种简单的，可读的yaml格式。
数据增强Cutout和Mixup
为了提高成绩我在代码中加入Cutout和Mixup这两种增强方式。实现这两种增强需要安装torchtoolbox。安装命令：
Cutout实现，在transforms中。
需要导入包：from timm.data.mixup import Mixup，
定义Mixup，和SoftTargetCrossEntropy
参数详解：
mixup_alpha (float): mixup alpha 值，如果 > 0，则 mixup 处于活动状态。
cutmix_alpha (float)：cutmix alpha 值，如果 > 0，cutmix 处于活动状态。
cutmix_minmax (List[float])：cutmix 最小/最大图像比率，cutmix 处于活动状态，如果不是 None，则使用这个 vs alpha。
如果设置了 cutmix_minmax 则cutmix_alpha 默认为1.0
prob (float): 每批次或元素应用 mixup 或 cutmix 的概率。
switch_prob (float): 当两者都处于活动状态时切换cutmix 和mixup 的概率 。
mode (str): 如何应用 mixup/cutmix 参数（每个’batch’，‘pair’（元素对），‘elem’（元素）。
correct_lam (bool): 当 cutmix bbox 被图像边框剪裁时应用。lambda 校正
label_smoothing (float)：将标签平滑应用于混合目标张量。
num_classes (int): 目标的类数。
项目结构
mean_std.py：计算mean和std的值。
makedata.py：生成数据集。
models文件夹下的micronet.py、activation.py和microconfig.py:来自官方的pytorch版本的代码。
micronet.py：网络文件。
activation.py：激活函数文件，定义了DYShiftMax激活函数。
microconfig.py：网络配置参数。定义了m0到m3网络的参数。
utils文件夹下的defaults.py定义了cfg的参数，这些参数是m0到m3网络的设置参数。
详细的参数设置如下：
M0：
M1:
M2:
M3:
为了能在DP方式中使用混合精度，还需要在模型的forward函数前增加@autocast().
计算mean和std
为了使模型更加快速的收敛，我们需要计算出mean和std的值，新建mean_std.py,插入代码：
数据集结构：
运行结果：
把这个结果记录下来，后面要用！
生成数据集
我们整理还的图像分类的数据集结构是这样的
pytorch和keras默认加载方式是ImageNet数据集格式，格式是
新增格式转化脚本makedata.py,插入代码：
完成上面的内容就可以开启训练和测试了。
今天分享图像分类的论文资料！都是CVPR高分论文！
关注【学姐带你玩AI】公众号
回复“CVPR”免费获取！
