使用 gluon 实现狗品种分类

本项目是为了熟悉 gluon 操作的练手作，可以在测试集上获得0.28228的分数。

环境参考：

• mxnet 0.12.1
• numpy 1.13.3
• tqdm 4.11.2
• pandas 0.20.3
• sklearn 0.19.0

思路

复现步骤分为以下几步：

• 下载并解压数据集：https://www.kaggle.com/c/dog-breed-identification/data
• 运行 preprocessing.ipynb，构建 for_train 和 for_test 的文件夹结构，为 ImageFolderDataset 做准备
• 运行 get_features.ipynb，导出 resnet152_v1, densenet161 和 inception_v3 等模型输出的特征，参考model_zoo
• 运行 model.ipynb，拼接特征，训练一个2层的神经网络，然后在测试集上进行预测

Update

为了确定使用的预训练模型是否是最好的，我对所有预训练模型进行了迁移学习：

• get_features_v3.ipynb 导出所有预训练模型输出的特征
• transfer_learning_all_pretrained_models.ipynb 对所有预训练模型分别进行迁移学习，按 val_loss 进行排序

可以看到 densenet 并没有那么好，于是我只使用 inceptionv3 和 resnet152_v1 的特征，进行了融合迁移学习，获得了 0.27143 的分数。

Update

使用 Stanford Dogs Dataset 进行训练，使用了 inceptionv3 和 resnet152_v1，最终获得了 0.00398 的分数。

• get_features_v3.ipynb 导出所有预训练模型输出的特征
• stanford.ipynb 导出 Stanford Dogs Dataset 对应的特征，然后进行迁移学习，最后在测试集上进行预测