第四次作业：CNN实战
1.数据下载
2.数据预处理
完成数据下载之后，需要对数据进行一些预处理：
图片将被整理成 224 × 224 × 3 的大小，同时还将进行归一化处理。
设置VGG的格式
同时加载图像的数据。
将数据拆分为训练集和有效集；
顺便取一小部分数据用来做可视化。
在把这几张图片打印出来看看效果：
打印图片和对应结果：
input_try是5张244x244x3（RGB三通道）的小图片；
lable_try是这五张图片对应的标签，都是0，说明，这五张照片都是猫；
其中规定：标签为0是猫，1是狗。
3.创建VGG
接下来的dic_imagenet是各种动物的标签。
来源自下载的模型中会对数据有一个分类的总概率分布，有5000种分类，dic_imagenet适合最终的分类概率有关的一个数。
就如代码中print(dic_imagenet)所展示的，是各种动物的标签
接着
打印出结果，观测可知：
结果为5行（因为一共是5张图片嘛），1000列的数据，每一列在不同dic_imagenet 目标识别的结果。
结果非常奇葩，有负数，有正数。
为了好看（至少让数据看起来像一个概率），我们把结果输入到 Softmax 函数。
4.修改最后一层网络，冻结前面层的参数
首先说明为什么要这么做？
因为我们使用的模型是现成的、预训练好的模型，所以大部分的模型参数我们都不需要动，只需要动最后全连接层输出部分的参数就可以了（也就是修改最后一层网络）。
因此
需要把最后的 nn.Linear 层由1000类，替换为2类。
为了在训练中冻结前面层的参数，需要设置 required_grad=False。
这样，反向传播训练梯度时，前面层的权重就不会自动更新了。训练中，只会更新最后一层的参数。
5、训练全连接层
虽然VGG大部分层数参数不需要更改，但是毕竟最后输出还是要靠全连接层，最后一层的参数是发生变动的（相当于前面99%的网络都别人训练好的，我就训练最后的1%），所以我们还是需要训练、并测试全连接层。
6、测试整个模型
现在整个模型都训练好了，那就理所应当的跑一跑，测试而已。
现在输入的是Valid集，因为它自带标签，可以用来统计一些误差数据。
7.可视化输出结果
至此，完成VGG网络的搭建并分类应用。
8.数据下载
下载官方提供的数据并解压
9.数据处理
11.运行结果
csv文件中的数据如下：
结果提交
