做图像分类的你想更精进一步，先把思路理清楚

在这里，我想从一个初学者的角度把图像分类识别做一个简短的思路整理，其中不乏我在学习的过程中看到的一些有价值的博文，在此做一个整理归纳。

https://www.cnblogs.com/skyfsm/p/8051705.html

以上作者以keras为工具，以两个实际的图像分类识别项目，详细的阐述了图像分类的基础起步思路，还阐述了一些很多入门者容易忽略的图像预处理问题，作者很直接的说明了对图像进行增强处理的方法及目的。不论我们做任何复杂的分类任务，我们一般都可以尝试在初始阶段以简单的模型先针对特定的问题进行分析建模，确定一个最基本的、哪怕效果比较差的模型，看看能够得到什么我们感兴趣的东西。

https://zhuanlan.zhihu.com/p/29534841

以上链接的博文是——如何一步一步提高图像分类准确率？是难得的一篇好文章，文章按照建立一个基础baseline，到数据增强，再到（权重衰减+dropout+批正则化+LRN），再到变化学习率，再到加深网络层数，最后到残差网络，一步一步抑制误差率，增加准确率，让我们非常完整的看到了图像分类识别的训练测试流程。

https://zhuanlan.zhihu.com/p/32177354

以上链接的博文是用深度学习玩图像的七重关卡,文章把当前计算机视觉的主流应用领域和实现技术做了一个整体的介绍阐述，虽说没有涉及到很细化的技术细节，但给我们的研究方向指明了一条道路。

好了，先暂时写到这里，日后有其他优质文章，我会在这里进行更新。

一更：

有的时候我们在做图像分类识别的时候，不会采取从零起步自己搭建网络来训练识别，而是换一种思想，看看能否站在别人的肩膀上，不去针对每个目标任务单独训练模型，将模型从源任务上训练到的知识迁移到目标任务的应用上。这样可以节省很多的计算资源。这个思想就是迁移学习！
下面这篇文章详细介绍了基于深度学习和迁移学习的识花实践，是一篇不错的迁移学习入门启蒙文章，我们可以从中学到很多

https://cosx.org/2017/10/transfer-learning/