【项目013】基于迁移学习十二生肖识别（学生版） 教学版 | 返回首页

作者：欧新宇（Xinyu OU）
当前版本：Release v1.1
开发平台：Paddle 2.3.2
运行环境：Intel Core i7-7700K CPU 4.2GHz, nVidia GeForce GTX 1080 Ti
本教案所涉及的数据集仅用于教学和交流使用，请勿用作商用。

最后更新：2022年10月16日

【实验目的】

  1. 学会调用paddle.vision.models库实现内置模型的调用，并能够实现预训练模型的载入
  2. 熟练使用各种不同的模型(AlexNet, ResNet, VGG, MobileNet等)进行训练、验证和推理
  3. 熟练使用logging函数进行日志输出和保存，熟练保存运行结果图，并能够反复调用输出
  4. 能够快速更改优化方法和学习率优化方法

【实验要求】

  1. 所有作业均在AIStudio上进行提交，提交时包含源代码和运行结果
  2. 补充完成下列AlexNet, ResNet50, ResNet18, Mobilenetv2, VGG16模型的结果统计表
  3. 对下列结果进行总结和分析

下面我们将在ResNet50, ResNet18, Mobilenetv2, VGG16四个模型对十二生肖数据集进行评估，所有模型设置batch_size=64。
数据集包含样本8500个，其中训练验证集样本7840个，训练集样本7190个, 验证集样本650个, 测试集样本660个, 共计8500个。

1. 实验结果

模型名称 Baseline模型 ImageNet预训练 learning_rate best_epoch top-1 acc top-5 acc loss test_top1_acc 单batch时间/总训练时间(s) 可训练参数/总参数
Zodiac_Alexnet Alexnet 否 0.001 3/10 0.48769 0.87231 0.02458 0.48485 9.06/1177.53 11,172,042/11,191,242
Zodiac_Resnet18 ResNet18 是
Zodiac_Resnet18_withoutPretrained ResNet18 否 0.01 50/50 0.60769 0.90769 0.02072 0.60909 0.26/374.98 11,172,042/11,191,242
Zodiac_Resnet50 ResNet50 是
Zodiac_Resnet50_withoutPretrained ResNet50 否 0.01 45/50 0.54154 0.89538 0.04756 0.55152 11.24/7868.96 23,479,500/23,585,740
Zodiac_VGG16 VGG16 是
Zodiac_VGG16_withoutPretrained VGG16 否 0.001 45/50 0.55231 0.90000 0.03685 0.86429 14.75/8727.87 134,309,708/134,309,708
Zodiac_Mobilenetv2 Mobilenetv2 是
Zodiac_Mobilenetv2_withoutPretrained Mobilenetv2 否 0.001 44/50 0.52615 0.87077 0.03536 0.51667 10.44/5838.82s 2,205,132/2,273,356

2. 实验结果分析

从实验结果可以得到以下几个结论：

1. 
2. 
3.