数据来源 https://challenge.isic-archive.com/data/#2019 数据划分 写了个脚本划分 for line in open('ISIC/labels.csv').readlines()[1:]:split_line = line.split(',')img_file = split_line[0]benign_malign = split_line[1

一、目标检测之NASNet Learning Transferable Architectures for Scalable Image Recognition 论文链接：https://arxiv.org/abs/1707.07012论文代码：https://github.com/tensorflow/models/tree/master/research/slim/nets/nasnet

谷歌最近推出的NasNet，是当前图像识别领域的最佳模型，近日对此模型进行复现了下，也大致了解了其原理。这个模型并非是人为设计出来的，而是通过谷歌很早之前推出的AutoML自动训练出来的。该项目目的是实现“自动化的机器学习”，即训练机器学习的软件来打造机器学习的软件，自行开发新系统的代码层，它也是一种神经架构搜索技术(Neural Architecture Search technology)

NASNet，论文的全名叫做Learning Transferable Architectures for Scalable Image Recognition. 这一篇论文是对神经网络架构搜索开篇之作NAS的集成和发展，也是由谷歌的Zoph等人提出来的，针对NAS论文中的缺点进行改进，在分类精度和训练资源、时间上，都优于前者。 NASNet论文的基本设计思想是： 和NAS论文一样，采用co