半监督食物图像分类项目

模型完成的任务是识别11种不同的食物（比如面包、牛奶、蔬菜等）。

监督学习：需要大量的“图片 + 标签”数据，但数据的标注很费时间

半监督学习：只用少量的有标签数据 + 大量无标签的数据（只有图片，没有标签）来训练模型，效果比只用少量有标签数据好很多

模块1：固定随机种子（保证结果可复现）

机器学习很多的随机操作：模型参数的随机初始化

训练时打乱数据顺序

数据增强的随机裁剪/旋转

如果没有固定随机种子，这次跑过的结果和下次跑的结果不可能一样。固定种子后，可以是可以复现，方便调参和验证改进。

模块2：数据准备与预处理

2.1数据增强：让模型“见多识广”

为什么要做数据增强？

数据增强就是通过随机裁剪、旋转，把1张图片变成 “多张不同但相似的图片”，增加数据的多样性，防止模型死记硬背（过拟合）， 让他学到更通用的特征（比如“面包的形状”而不是 “这张特定图片里的面包”

验证集为什么不要做数据增强？

验证集用来考试的，要考模型的真实水平，所以不能给它“做过手脚的题”，要用原始、标准的图片。

无标签数据为什么返回的是原始图？

后面的半监督学习要用到“原始图片”来生成伪标签，所以先存一份

数据是怎么存的？

代码首先将所有的图片读进内存，而不是训练时再从硬盘读取。

原因：数据集比较小，这样做的训练速度更快，不要每次都等硬盘读取。

模块3：模型构建

1、卷积层：相当于眼睛，复制看图片的特征。

第一层卷积看“边缘”（比如面包的轮廓）， 后面的卷积看“更复杂的特征”（比如面包的纹理、蔬菜的颜色）。

2、BatchNorm2d:像“给大脑按摩”，让每一层的输入分布稳定，防止梯度小时/爆炸（简单说就是防止“大脑学习不进去”）。

3、ReLU激活函数：引入“非线性”， 如果没有他，模型就像“只会做加减乘除的计算器”，不会复杂的食物分类。

4、Pooling: 把图片进行缩小，保留最明显的特征，减少计算量

5、全连接层：把前面提取的特征综合起来，输出“这张图是11种食物的概率”

为什么使用迁移学习：

加快模型的训练速度，预训练使用VGG模型，他是一个已经训练好的模型，我们只要微调最后几层。

模块4：半监督学习（“伪标签”让无标签数据发挥作用）

4.1什么是“伪标签”？

原理：先用有标签数据训练一个初始模型，用他预测无标签数据，把预测概率超过0.99（非常确定）的样本跳出来，把模型的预测结果当作“伪标签”，加入训练集。

4.2为什么只选概率 > 0.99的样本？

模型刚开始的时候训练的不好，预测的结果可能不是很准确，因此只选择“非常确定”的样本，才能保证伪标签带概率是对的 —— 如果把错的伪标签加进去，模型会“学坏”。

模块5：模型训练，不断的卷积