卷积神经网络分类算法的模型训练
启动Web服务器、应用使用说明和测试结果示例。
模型创建与编译
原VGG-16模型要求输入224×224×3的图片，限于GPU的计算能力，选择将28×28×1的数据集图片大小重置为56×56×1，由此计算出进入第一个全连接层的图像尺寸为7×7×256；最后一个全连接层输出值设为类别数量10。按设计好的参数定义模型结构，代码如下：
为了评估实际情况和预测情况的差距，引入相对熵来描述这一差距。本模型是多类别的分类问题，因此选用经典的交叉熵作为损失函数，代码如下：
#损失函数
loss＝nn.CrossEntropyLoss()
为了进行参数的调整和更新，以达到损失函数的最小化或最大化，使模型产生更好更快的效果，需要选择训练策略。本模型选择Adam优化算法，它具有能计算每个参数的自适应学习率的特点。因此，可以设置学习率为默认值0.001。
#优化算法
optimizer＝optim.Adam(net.parameters(),lr＝0.001)
模型训练及保存
定义模型结构及损失函数后，需要对模型进行训练，使其具有服装图像分类的能力。经过训练的模型需要测试，以评估模型的训练效果。根据训练和测试的效果进行参数的调整后，保存模型。设定训练集batch_size＝50，则每训练50张图片后进行一次迭代，根据损失函数前向传播，完成参数更新。
为使训练效果更加直观，可以借助画图工具对训练过程可视化，模型将在每一个训练周期结束后保存损失值和准确度。
模型保存
在模型训练过程中，同时保存模型当前已训练周期数、权重、损失函数、优化算法，便于在训练终止后从当前进度恢复训练，并同时保存每个周期的损失值和正确率，以方便数据可视化。
模型生成
该应用分两部分：一是网页端交互功能，用户可以上传需要分类的图片并查看分类结果；二是图片预处理，将图片转换为PyTorch能够处理的格式并输入模型中，获取图片分类结果。
获得用户上传的图片并输入至模型获得对应的分类，将标签和图片写入数据库中。为了提高数据库的稳定性，采用bulk_create（）方法批量写入数据，避免每写入一条数据就需要调用和关闭数据库的烦琐操作。
图像预处理
使用PIL库作为打开图片的方式，类型为Image，并将图片转为灰度图像。
为使图片符合输入模型的数据格式，对图像进行预处理。模型输入图像大小要求为56×56，因此，修改用户输入的图像分辨率为56×56；为了对图像进行数据化处理，将PIL Image对象转换为numpy类型；原始数据集图片为黑底色白图案，将输入图片进行黑白色反转；PyTorch要求的数据输入格式为[b，c，h，w]，需要扩展numpy的维数，再转换成Tensor张量。
模型调用与导入
首先，进行实例化；其次，使用load（）方法加载模型的权重；最后，使用load_state_dict（）方法将参数加载到网络上。
