• 整体数据探测
• 分析数据不同类别分布
• 分析图片长宽比例分布
• 切分数据集和验证集
• 数据可视化展示（可视化工具 pyecharts,seaborn,matplotlib)

├── app_WSL-Images_resnext.py
├── app_garbage.py
├── args.py
├── checkpoint
│   ├── checkpoint.pth.tar
│   ├── garbage_resnext101_model_9_9547_9588.pth
│   └── resnext101_16d_log_iter10_cuda.txt
├── data
│   ├── ImageNet1k_label.txt
│   ├── class.txt
│   ├── garbage-classify-for-pytorch
│   ├── garbage_label.txt
│   ├── train1.txt
│   └── val1.txt
|
├── garbage-classification-using-pytorch.py
├── json_utils.py
├── model.py
├── models
│   ├── alexnet.py
│   ├── densenet.py
│   ├── inception.py
│   ├── resnet.py
│   ├── squeezenet.py
│   └── vgg.py
├── preprocess
├── transform.py
├── utils
│   ├── eval.py
│   ├── json_utils.py
│   ├── logger.py
│   └── misc.py

• pre_trained_model resnext101 网络架构原理
• 基于pytorch 数据处理、resnext101 模型分类预测
• 在线服务API 接口

python garbage-classification-using-pytorch.py
--model_name resnext101_32x16d
--lr 0.001
--optimizer adam
--start_epoch 1
--epochs 2
--num_classes 4

• model_name 模型名称
• lr 学习率
• optimizer 优化器
• start_epoch 训练过程断点重新训练
• num_classes 分类个数

python garbage-classification-using-pytorch.py
--model_name resnext101_32x16d
--evaluate
--resume checkpoint/checkpoint.pth.tar
--num_classes 4

• model_name 模型名称
• evaluate 模型评估
• resume 指定checkpoint 文件路径，保存模型以及训练过程参数

python app_garbage.py
--model_name resnext101_32x16d
--resume checkpoint/garbage_resnext101_model_9_9547_9588.pth

• model_name 模型名称
• resume 训练模型文件路径
• 模型预测
  命令行验证和postman 方式验证
  举例说明：命令行模式下预测
  curl -X POST -F [email protected] http://ip:port/predict