EfficientNet B0 训练 Standford 汽车图片分类（对比ResNet34)

EfficientNet B0 训练 Stanford 汽车图片分类（对比ResNet34）

近期google发布了新的model，不仅让整个参数量大幅的降低，主要利用同时调整模型的width， depth， resolution来让训练过程跟结果达到比较高效的目的，大概也是为什么model直接叫做Efficient Net吧？（笑）
详细的参数公式在论文里面有介绍，有兴趣可以自行参考研究，我是数学傻帽

环境：
Python 3.7
Pytorch 1.01

Pretrained 模型：
1.ResNet34
2.EfficientNet B0

数据集：Stanford Car
一共196分类，test set 8041张， train set 8144 张
Download here：https://ai.stanford.edu/~jkrause/cars/car_dataset.html

Efficient代码实现参考，作者是来自哈佛的小哥哥
https://github.com/lukemelas/EfficientNet-PyTorch
提醒一下，作者的pytorch versions是1.1最新版本
原作者这段代码是这样：
for idx in torch.topk(outputs, k=5).indices.squeeze(0).tolist():
如果你跟我一样是1.0.1版本请改成以下才能正常运行作者的example
for idx in torch.topk(outputs, k=5)[1].squeeze(0).tolist():
EfficientNet完整安装方法跟分类方法，作者github都有完整介绍，就不赘述啦

训练参数（调整建议欢迎告诉我，我会很感激的）