1.问题描述

最近利用ResNet18网络做分类问题时，训练集准确率一直在上升，测试集的准确率确几乎没有变化。数据集用的是flowers102，为了完成102种的问题，只对Pytorch内置的ResNet18最后一层做了修改。

class ResNet18(nn.Module):
    def __init__(self):
        super(ResNet18,self).__init__()
        self.resnet = nn.Sequential(*list(models.resnet18(pretrained=True).children())[:-1])#舍弃原网络中的最后一层
        self.fc = nn.Linear(in_features=512,out_features=102)
    def forward(self,x):
        x = self.resnet(x)
        x = x.view(x.shape[0], -1)
        x = self.fc(x)
        return x

训练过程如下：


可以看到在训练过程中，训练集的损失函数正常下降，准确率也在上升，但在测试集上几乎没有变化。尝试了网上的许多方法都没有奏效。

2.解决办法

最后发现问题出在了数据增强这一块，主要是粗心导致的。将图片缩放时，训练集图片尺寸缩放到28*28，而测试集是256*256，但是在裁切时都裁切的是244*244（在裁切训练集照片时，并没有报错，可能是对图片进行了填充）。

#训练集增强
 transforms.Resize(28),
 transforms.CenterCrop(224),

#测试集增强
transforms.Resize(256),
transforms.CenterCrop(224),

这样导致增强后的训练集和测试集数据完全是两类图，所以模型在测试集上表现很差！
保证两个数据集在增强时缩放和裁切相同即可！