一起用代码吸猫！本文正在参与【喵星人征文活动】。

基于Paddlex超简单的猫狗分类

可爱的小猫咪谁不爱呢，我也不例外，但是要我说出什么种类，那就是为难我了，我什么种类都不知道，纯属于喜欢，喜欢看，从未养过，期待养只猫。。。。。。

项目简介：

猫的十二分类大家以前都做过，先在我想快速得到分类模型，只想要结果。。。

PaddleHub可以便捷地获取PaddlePaddle生态下的预训练模型，完成模型的管理和一键预测。配合使用Fine-tune API，可以基于大规模预训练模型快速完成迁移学习，让预训练模型能更好地服务于用户特定场景的应用。。。看到这里何不用PaddleHub呢？？？

原作采用ResNet101为骨架的深度神经网络的猫咪图像分类模型，对猫咪的图像进行分类和目标识别，图像分类识别准确度最高可以达到94%。我想试试能不能再进一步。。。

0.环境设置

更改环境为PaddlePaddle2.0 RC1,PaddleHub 2.0.0b2

#导入一些图像处理的包
%cd /home/aistudio
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import os, shutil, cv2, random
%matplotlib inline

/home/aistudio

1.数据处理

!mkdir dataset
!unzip data/data10954/cat_12_train.zip -d dataset/
!unzip data/data10954/cat_12_test.zip -d dataset/
!cp data/data10954/train_list.txt dataset/

%cd dataset/

/home/aistudio/dataset

图片数据按目录整理

import pandas as pd
import os
import shutil


def mkdir():
    for i in range(12):
        os.mkdir(str(i))


if __name__ == "__main__":
    data = pd.read_csv("train_list.txt", sep="	", header=None)
    mkdir()
    for i, r in data.iterrows():
        print(os.path.split(r[0]))
        old_file = r[0]
        new_file = os.path.join(str(r[1]), os.path.split(r[0])[-1])
        shutil.move(old_file, new_file)

    print("File resort finished!")


#导入需要的包
import os
import random
import json
import cv2
import numpy as np
from PIL import Image
import paddle
import matplotlib.pyplot as plt
## 转换4通道为3通道
def proc_img(src):
    for root, dirs, files in os.walk(src):
        if '__MACOSX' in root:continue
        for file in files:            
            src=os.path.join(root,file)
            img=Image.open(src)
            ## 转换4通道为3通道
            if img.mode != 'RGB': 
                    img = img.convert('RGB') 
                    img.save(src)            


if __name__=='__main__':
    proc_img("dataset")

!pip install paddlex

%cd ~

/home/aistudio

!rm dataset/train_list.txt
!rmdir dataset/cat_12_train/
!mv dataset/cat_12_test/ ~

 !paddlex --split_dataset --format ImageNet --dataset_dir dataset/ --val_value 0.2 --test_value 0.1

!pip install imgaug

# 环境变量配置，用于控制是否使用GPU
# 说明文档：https://paddlex.readthedocs.io/zh_CN/develop/appendix/parameters.html#gpu
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'

from paddlex.cls import transforms
import paddlex as pdx

train_transforms = transforms.Compose([
    transforms.ResizeByShort(short_size=224),
    transforms.RandomCrop(crop_size=64), transforms.RandomHorizontalFlip(),
    transforms.Normalize()
])
eval_transforms = transforms.Compose([
    transforms.ResizeByShort(short_size=224),
    transforms.CenterCrop(crop_size=64), transforms.Normalize()
])

# 定义训练和验证所用的数据集
# API说明：https://paddlex.readthedocs.io/zh_CN/develop/apis/datasets.html#paddlex-datasets-imagenet
train_dataset = pdx.datasets.ImageNet(
    data_dir='/home/aistudio/dataset/',
    file_list='/home/aistudio/train_list.txt',
    label_list='/home/aistudio/labels.txt',
    transforms=train_transforms,
    shuffle=True)
eval_dataset = pdx.datasets.ImageNet(
    data_dir='/home/aistudio/dataset/',
    file_list='/home/aistudio/val_list.txt',
    label_list='/home/aistudio/labels.txt',
    transforms=eval_transforms)

# 初始化模型，并进行训练
# 可使用VisualDL查看训练指标，参考https://paddlex.readthedocs.io/zh_CN/develop/train/visualdl.html
# model = pdx.cls.MobileNetV3_small_ssld(num_classes=len(train_dataset.labels))
model = pdx.cls.ResNet101_vd_ssld(num_classes=len(train_dataset.labels))


# API说明：https://paddlex.readthedocs.io/zh_CN/develop/apis/models/classification.html#train
# 各参数介绍与调整说明：https://paddlex.readthedocs.io/zh_CN/develop/appendix/parameters.html
model.train(
    num_epochs=200,
    train_dataset=train_dataset,
    train_batch_size=256,
    eval_dataset=eval_dataset,
    lr_decay_epochs=[4, 6, 8],
    learning_rate=0.05,
    save_dir='output/ResNet101_vd_ssld')