kaggle猫狗大战
kaggle上的猫狗大战，即对猫狗图片的分类预测，没有特征数据，只有图片，所以只能运用神经网络对其训练预测。看了大量的kaggle上的公开例子，大多运用TensorFlow或者Keras创建神经网络，因为最近在学习Torch，因此，想用Torch创建卷积神经网络进行建模预测。但整个过程遇到了很多坑，下面记录总结一下自己在第一次做图片识别时的坑。
一、数据预处理
对于图片肯定要进行预处理，不能直接输入模型，并且训练数据中图片的大小不一样，就用torchvision.datasets.Imagefolder模块加载数据，但直接加载显示文件中没有任何图片文件，顿时懵逼，明明全是图片，为什么会显示没有呢？查阅各种博客，原来要分开图片变成文件夹，也就是把训练集再分类，读取数据后Torch会对数据数据标签自动分类标数。数据预处理期间花费大量的时间精力，但感觉很值得，因为理解了Torch的数据处理的一些东西，对后期的图片识别有很大的帮助。但是考虑如何运用cv2库或者PIL库对图片进行处理再用torchvision.datasets.Imagefolder进行读取呢？后续继续研究。。。
二、网络搭建
创建CNN网络，直接用nn.Model继承类创建卷积网络，中间卷积层的参数数据比较难算，还没有特别搞清楚，直接用网上的参数设置，或者用迁移学习，用比较著名的图像识别算法。改变全连接层的参数，最后设置为2分类，效果也是比较好的。
训练模型时如果用GPU要对网络设置cuda让他成为GPU参数，还有Variable创建变量时再参数后加.cuda()转换数据，不然会出错，对预测结果也对Tensor数据转换为numpy数据如果CPU训练的模型直接加.numpy()，如果GPU训练的模型则先转换为CPU数据再转换numpy即加.cpu().numpy()。
此次猫狗大战图片识别做了好几天，实际应用和理论还是有些许脱节，代码写的比较烂就不贴代码了。。。。。
