前言
Cifar-10数据集是深度学习领域一个常见的数据集。Cifar-10由60000张32*32的RGB彩色图片构成，一共包含有飞机、汽车、鸟、毛、鹿、狗、青蛙、马、船、卡车这10个类别。50000张训练，10000张测试。常被用来作为分类任务来评价深度学习框架和模型的优劣。比较知名的模型如AlexNet、NIN、ResNet等都曾在Cifar-10数据集上来评价自己的性能。它还有一姐妹级的数据集Cifar-100，顾名思义就是包含100个类别，数据更加复杂。关于Cifar数据集的相关介绍以及数据的下载可见官网。正是因为Cifar-10数据集不大、类别明确、获取方便、训练简单，同时模型的可参照性强，因此作为深度学习的初学者作为一个进阶的内容，再适合不过了（本文的前提是对Caffe的使用及相关参数有一定的了解）。
第一个模型
数据拿到手后，第一件事就是想拿个模型来跑跑找找感觉，那么第一个模型选什么呢？我考虑了很久，LeNet？AlexNet？还是VGG？ResNet？其实无论选择什么模型，我都建议大家先把相关的论文仔仔细细的看一遍，了解它的原理后，做起实验来才会得心应手，并且论文中的实验部分也会把实验的相关参数提供出来，也节省了大家调超参的时间。关于VGG、ResNet的论文译文和笔记可以参考本人之前的博客（VGG译文、VGG笔记、ResNet译文、ResNet笔记）。当你了解了一个模型的大概思路后（任意都可以），动动你的小鼠标和键盘，在GitHub上可以下载到大牛们搭建好的模型框架，都是可以拿来直接使用的。不过在这里我也建议大家，当拿到别人提供的prototxt之后，仔细读一读这个框架，可以使用模型的可视化工具Netscope来看模型的部署，这对你更加深入的了解这个模型是有帮助的。这样你就可以开始你的第一个实验了。
这里我使用的是ResNet，为啥？因为作为ImageNet2015的赢家，ResNet这几年依旧是最广泛使用的模型之一、也是大家研究的热点，可扩展性强，它的优点毋庸置疑，还有最重要的一点，ResNet原文中就说了，仅20层的ResNet在Cifar-10上的准确率可以达到91%以上，看着就心动，可参考性也强。于是就选ResNet了。GitHub上有很多ResNet的源码，在这里我推荐：ResNet-on-Cifar10，提供了详细的源码以及相应的结果。在这里我使用了他提供的20层ResNet进行实验。
模型、数据准备好就开始训练，具体的参数设置在这里就不详细说了，大家可以看论文，整个训练过程很顺利，最终测试准确率达到了91.65%，由于当时的训练曲线没有保存下来，这里盗个图（感谢源码的提供者），大家见谅： 
这个结果是基本符合论文中的结果的，但是我还是不满足，于是我进行了下一步，数据增强。
数据增强
数据增强是深度学习中训练模型时常用的技术手段，它能够很好的增加数据的多样性，能够有效的缓解模型的过拟合，同时能够达到提升模型性能和泛化能力的效果。熟悉图像处理的应该知道，图像增强的方式有很多，如旋转、平移、缩放等等。你在论文中也会经常读到一些数据增强的方式，这里就不一一介绍。
你可以在数据增强使用在模型训练的外部，也就是在训练之前就是用数据增强的方式来扩展你的数据，你也可以把数据增强写在Caffe的源码中，类似于Caffe自带的mirror，当数据输入进去之后，会随机的进行你所写入的数据增强。在这里我比较推荐第二种方法，因为如果你使用在模型的外部，首先你需要大量的时间来处理你的数据，同时你还需要大量的空间来储存你的数据，这对于资源的利用是非常不利的。
在这里大家可以选择自己熟悉的数据增强方式来扩展数据，但是提醒大家一点，一昧的增加数据增强的种类不一定会给模型的性能带来增益，打个比方，观察到Cifar-10数据集中，测试样本和训练样本中目标的朝向都是一样的，因此你对训练样本进行旋转的话，是不会给模型的性能带来提升的，甚至有可能会起到副的作用。因此在选择数据增强之前，建议大家先好好观察数据集中的样本，再来选择需要使用的数据增强方式。这是一个坑，很多人都踩过，我也不例外。
经过数据增强后，你会发现模型的性能发生了质的飞跃，测试准确率可能从91%就窜到了92%、93%甚至更高。但是我们对这个结果依旧不满足，怎么办？我们选择对模型进行扩展。
模型扩展
ResNet是一个使用非常广泛的模型，可扩展性非常强，在ResNet模型上的扩展包括Wide ResNet、ResNet in ResNet、Stochastic Depth ResNet、FractalNet等等。他们的想法，以及实现都非常棒，非常建议大家把这些论文都过一遍，对于大家深入的了解模型结构是非常有帮助的，这里我也为大家提供了一些论文的笔记（Wide ResNet、FractalNet）。就拿Wide ResNet来说，其实他的思路很简单，就是增加ResNet的宽度，也就是模型中每一个卷积层的通道数，原理容易理解，实现起来也非常简单。我们就直接在之前的ResNet-20的基础上进行修改，将它的卷积层的输出通道数增加2倍、4倍和8倍，就得到了3个模型可以来进行比较实验。
在这里提醒大家，ResNet的第一个卷积层不进行扩宽，因此第一个卷积层和第一个Residual Block的通道数就不一样了，无法进行shortcut的连接，那么我们就需要在第一个shortcut上增加一个卷积层来同样的提升feature map的通道数，增加方式可以参考原始ResNet中不同通道数的Residual Block之间的映射shortcut。修改好后可以直接跑起来，如果报错的话根据错误的原因去修改，直到可以跑通。（通过这一步，大家就可以发现，现在已经不用再网上download别人的代码，就可以自己来修改代码实现自己需要的功能了，是不是很赞。）
通过这样一个简单的扩展就实现了Wide ResNet，训练过后测试结果为，2倍的WRNS达到了95%以上，而4倍和8倍的WRNS达到了96%以上， 是不是很赞。
通过模型的扩展，模型的性能得到了质的飞跃，但是同时也带来了运算量、参数量等计算资源的消耗，在实际工程中，我们往往希望在保证一定性能的基础上，尽量的降低运算量和参数量，从而最大可能的利用计算资源，为了达到这个目的，我们也进行也一系列的尝试。
（未完待续）