pipeline
1）尝试读取少量图片，检查图像格式，并且进行可视化，对数据做个大概了解；
2）划分数据集（训练集、验证集、测试集），并且分别统计下各项指标：图像分辨率、均值、方差等，可以了解到它们之间的数据分布是否接近：
224，32 imagenet
3）实现数据读取1尝试单张与批次读取，以测试是否有bug：
4）搭建模型：
5）实现损失函数；
6）选择优化算法、学习率更新策略（虽然大部分框架已有很方便的接口，但实际任务时仍有较大可能需要自定义实现
7）编写训练pipepline：调用模型的前向过程计算loss，基于框架的接口计算梯度（有可能在其中需要对梯度进行处理，如梯度截断等），调用优化器更新核型参数，清空前二批次的梯度累积等：-
8）训练送代到一定次数时在验证集上进行验证，需要实现验证过程的pipeline与训练过程类你，但不需要进行反向传播更新模型参数，只需基于评估指标
（如精度进行评估，而评估指标可以调用API或者自定义实现；
9）训练完毕后保存模型参数，实现推断过程，通常还包括可视化结果.
良好的编程规范
1.把参数放到配置文件中，保持功能函数不要改动
2.
数据集
数据集简介：
102类花朵数据集总共102种类别的花朵组成，每个类别数量40至258不等，如图所示 下载地址： https://www.robots.ox.ac.uk/~vgg/data/flowers/102/
102flowers.tgz：纯图片，无标签
imagelabels.mat：图片对应的标签
To do List 将数据集重新组织，以类别为文件夹进行划分 划分训练集、验证集和测试集
torch.utils.data.Dataset：实现读取硬盘中数据，并预处理，返回一个可直接送入模型的样本 torch.utils.data.DataLoader：数据加载器，负责调用dataset，组装成Batch形式 torch.nn.Module：神经网络模型基类，__init__()实现层定义，在forward函数中调用网络层来实现神经网络前向传播 torch.optim.SGD：优化器，负责更新（修改）神经网络参数 torch.optim.lr_scheduler：学习率调整策略，负责更新（修改）优化器中学习率