为了解决 cifar100 val_acc 过低的问题，本质上是过拟合问题，所以特地去 papers with code 网站上看了下 cifar100 benchmark 目前第一名做到了多少，如下图所示，val_cc = 0.96，有点东西哈，所以目前要做的是研究 SAM (Sharpness-Aware Minimization)，主要用于提升模型的泛化性。
我这里先把拿到的代码跑了下，不过数据集是 cifar10，val_acc = 0.97，我觉得还是很稳的，目前正在跑 cifar100，不过代码是 Pytorch 版本的，后续需要迁移到 Tensorflow 上来。cifar10 训练截图如下所示。代码地址: https://github.com/davda54/sam
更新: 跑完 cifar100 了，但是 val_acc 和想象中的有差别吧，总的来说是比之前的 0.8 有提升了，目前是 val_acc = 0.83，训练截图如下所示
特别说明: 模型训练 log 里的 Name，比如 DenseNet121_RandomFlip_..../validation，实际上用的网络是 DenseNet121，数据增强用的是 RandAugmentation，可以忽略 RandomFlip，因为上一个 flower_photos 实验研究遗留下来的原因
数据集: visual_domain_decathlon/cifar100
Config description: Data based on "CIFAR-100", with images resized isotropically to have a shorter size of 72 pixels
train: 40000 张图片
test: 10000 张图片
validation: 10000 张图片
类别数为 100
训练的时候采用 180 x 180 x 3
其中 NASNetMobile 特殊一些，需要 resize 成 224 x 224 x 3
第一阶段，我们利用在 ImageNet 上做过预训练的模型来做 feature extraction，意思就是要 freeze 预训练模型的卷积部分，然后只训练新添加的 top-classifier，训练结果如下图所示
此处我们可以看到，val_acc 最高的是 ResNet50，值为 0.7421，其实最高的是 ResNet101，但是考虑到计算量，我们取 ResNet50。不过这里比较神奇的是 ResNet50 的 val_acc 竟然是最高的，猜测是数据集的分辨率大小问题，毕竟我们此次的任务，原始图像分辨率只有 72 x 72 x 3。
我们粘贴一下第一阶段的代码
代码语言：javascript复制rand_aug = iaa.RandAugment(n=3, m=7)
def augment(images):
# Input to `augment()` is a TensorFlow tensor which
# is not supported by `imgaug`. This is why we first
# convert it to its `numpy` variant.
images = tf.cast(images, tf.uint8)
return rand_aug(images=images.numpy())
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.shuffle(buffer_size=len(train_ds)).cache().batch(batch_size).map(
lambda x, y: (tf.py_function(augment, [x], [tf.float32])[0], y), num_parallel_calls=AUTOTUNE).prefetch(
buffer_size=AUTOTUNE)
val_ds = val_ds.cache().batch(batch_size).prefetch(buffer_size=AUTOTUNE)
preprocess_input = tf.keras.applications.resnet.preprocess_input
base_model = tf.keras.applications.ResNet101(input_shape=img_size,
include_top=False,
weights='imagenet')这里，我没有粘贴全部的代码，如果需要查看源码，请到这里: https://github.com/MaoXianXin/Tensorflow_tutorial
如上图所示，我们需要 checkout 对应的分支。
基于此，我们对 ResNet50 和 InceptionResNetV2 分别做了 fine-tune，结果如下所示
此处未对第一阶段的所有模型做 fine-tune，从上图可以发现，还是 ResNet50 的 val_acc 略高，不过到这里为止，我们在 visual_domain_decathlon/cifar100 上的 val_acc 还是低了些，只有 0.8041，需要做改进。
代码语言：javascript复制preprocess_input = tf.keras.applications.resnet50.preprocess_input
base_model = tf.keras.applications.ResNet50(input_shape=img_size,
include_top=False,
weights='imagenet')
base_model.trainable = True
# Let's take a look to see how many layers are in the base model
print("Number of layers in the base model: ", len(base_model.layers))
# Fine-tune from this layer onwards
fine_tune_at = 120
# Freeze all the layers before the `fine_tune_at` layer
for layer in base_model.layers[:fine_tune_at]:
layer.trainable = False
inputs = tf.keras.Input(shape=img_size)
x = data_augmentation(inputs)
x = preprocess_input(x)
x = base_model(x, training=False)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
x = tf.keras.layers.Dropout(0.2)(x)
outputs = tf.keras.layers.Dense(num_classes)(x)
model = tf.keras.Model(inputs, outputs)
model.load_weights('./save_model/my_model_1')
print(model.summary())最后上一下 fine-tune 阶段的代码，这里需要注意的是，不同模型，网络层数不一样，所以 fine_tune_at 这个参数我们需要看情况而定，还有就是加载模型的地址不要搞错。
