图像中待分类物体是单一的，如上图（1），如果图像中包含多个目标物，如下图（2），可以使用多标签分类或者目标检测算法。

4.目前图像分类的网络模型

常用的标准网络模型：Lenet、Alxnet、Vgg系列、Resnet系列、Inception系列、Densenet系列、Googlenet、Nasnet、Xception、Senet(state of art)

轻量化网络模型：Mobilenet v1,v2、Shufflenet v1,v2,Squeezenet
以上网络模型不做具体说明，网络博客很多，如有不懂，可加我微信：JGQ863995835

目前轻量化模型在具体项目应用时用的比较广泛：

优点：（1）参数模型小，方便部署（2）计算量小，速度快

缺点：（1）轻量化模型在精度上没有Resnet系列、Inception系列、Densenet系列、Senet的accuracy高

如果使用Finetune tricks,轻量化模型也能达到上述模型精度的水平，所以在此力推轻量化模型。

（注：我个人在项目中常用的网络模型resnet系列、mobilenet v2、lenet，不要小瞧lenet,在工业领域绝对大杀器，自然场景不适用。我自己改进lenet的模型，在项目应用中比lenet高3%，大家可以参考:https://github.com/machine52vision/Imporve-lenet

5.图像分类中的tricks

利用好tricks可以有效改善模型精度，下面介绍各种方法

方法一：魔改网络结构

（1）使用resnet的shortcut方法

（2）使用Inception 多尺度卷积核

（3）使用convolution的stride代替pool层

（4）使用正则化方法Batch normalization、Layer normalization、Instance normalization、Group Normalization;如果使用多GPU可以使Synchronized Batch Normalization

（5）对于不规则目标使用deform convolution

（6）轻量化模型使用group convolution

（7）小卷积核大视野使用dilate convolution

（8）去掉线性层使用全卷积层

（9）如果使用线性层，使用一维的Normalization，可以加快收敛并且（此方法其他网络没有）

方法二：模型初始化

（1）如果不使用finetune方法，尽量不使用随机初始化，推荐kaiming方法初始化，是xavier的改进版；

（2）大力推荐finetune方法，少量数据就可达到较高的accuracy;

方法三：损失函数和优化器

（1）一般分类使用softmax+Cross Entropy损失,MSE（均方误差）由于非凸函数，尽量不使用

（2）优化器推荐又快又好的AdaBound(新鲜出炉的算法，比SGD快，比Adam好，反正是又快又好！！！)

方法四：学习率调整

（1)Warmup

(2)Linear scaling learning rate

(3)力荐cosine learning rate或ReduceLROnPlateau learing rate

方法五：激活函数

（1）sigmoid,tanh由于后期梯度消失或者梯度很小，导致收敛比较慢，尽量不使用；

（2）推荐relu及其各种改进版本，Elus、Leaky relu、Slus、PRelu、RRule等；

方法六：数据扩增方法

(1)Random image cropping and patching (RICP)

(2Cutout

(3)Mixup train

(4)随机旋转

还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！

王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。

对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！

【完整版领取方式在文末！！】

93道网络安全面试题

内容实在太多，不一一截图了

黑客学习资源推荐

最后给大家分享一份全套的网络安全学习资料，给那些想学习 网络安全的小伙伴们一点帮助！

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

1️⃣零基础入门

① 学习路线

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

② 路线对应学习视频

同时每个成长路线对应的板块都有配套的视频提供：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！