我们今天来训练一个模型识别 102 种花的种类，给定一个花的照片，可以识别出花名。
数据集包含 7370 幅花的图片，下面是一些示例：
我们把数据集分为下列三部分：
这里对 Training 的数据，采用了四种增广方式，比例分别为：
这里的网络我们采用一个预训练网络 ResNet-152 模型，但是我们只保留卷积层的权重，最后的分类器要替换成一个输出 102 类的全连接网络，这里的全连接网络我们有三层，输入层 2048，隐藏层 1000，输出层 102。网络示意图如下：
这里经过多次尝试后，我们决定最后选取 Adagrad 优化器，来保证训练效果最好。
这一阶段集中训练分类器，就是最后的全连接层。
因为前面的卷积层都是预训练的，可以很好地提取图像特征，因此我们先冻结卷积层的权重，只对最后一部分全连接层进行训练。
现在我们可以说全连接层的分类器已经训练好了，那接下来我们微调卷积层的权重。
这时候，取消冻结前面卷积层的权重，对整个网络全部进行训练，20 个 epoch 后，validation 得到 96.58% 的准确率：
虽然这时候网络性能已经非常好了，但我们还想继续提高一下。
这次我们将 learning rate 设置为 0.000001，只是为了对网络的权重做极其微小的调整。在训练了 10 个 epoch 之后，我们在 validation 上得到了 97.07% 的准确率：
充分证明我们的三个阶段的训练是有效的。
下面是训练曲线和学习率曲线：
我们最后在 Testing 上做测试，我们的网络竟然得到了 99.27% 的准确率，已经非常不错了！