本次学习心得：
学习了怎样可以容易的对各类别的语义特征进行可视化，并且认识到其相关情况所含有的寓意，也学会了几个不错的工具库：t-SNE、UMAP、plotply。其中也认识到了降维的重要性，能更直观的将各类别之间的差异性和相关性表示出来。
计算测试集图像语义特征
抽取Pytorch训练得到的图像分类模型中间层的输出特征，作为输入图像的语义特征，计算测试集所有图像的语义特征，使用t-SNE和UMAP两种降维方法降维至二维和三维，可视化，分析不同类别的语义距离、异常数据、细粒度分类、高维数据结构，代码由子豪同学开源
测试集语义特征t-SNE降维可视化和测试集语义特征UMAP降维可视化
将之前训练好的模型导入，结合上一步计算好的语义特征模型，将语义特征模型通过t-SNE和UMAP降为2维，对其二维特征图进行数据可视化，如下图所示：
各类别水果二维语义特征图(t-SEN)
各类别水果二维语义特征图(UMAP)
由上两图可以看到一些特异值。还有挨近的类别之间，语义特征相似，并且当二维图中若相同类型的点比较发散，证明，该类别的语义特征可能比较多样化或是这个图可能出错。
plotply交互式可视化
各类别水果二维语义特征图(plotply_二维)
各类别水果二维语义特征图(plotply_三维)
该功能可以将生成的语义特征点通过二维或是三维表示出来，当我们找到特异点时，我们只用将鼠标放在那个点上就可以显示出那张图的名称，并且在三维的图像中我们可以对图像进行拖拽，观察各特征点之间的关系，
