图像回归问题不同于图像分类问题，它要求模型给出的结果是一个连续的预测值，而不是离散的类别。
图像回归问题非常少见，大部分仍然是图像分类问题，但FastAI也可以解决图像回归问题。
1. 准备数据集
此处的数据集来源于：biwi_head_pose，下载后就可以使用。
1.1 自定义换算函数
这个项目的要求是预测出图像中人脸中心点的位置，所以要求模型给出的结果是一个坐标值（x,y），表示人脸中心位于图像的x和y处。数据集给的标注label也位于每张图片对应的txt中。其txt的格式为：eg: frame_00009_pose.txt:
第5行的三个数据表示了人脸中心的位置，这三个数据需要做进一步运算才能换算成中心坐标值。
所以，这个数据集还需要我们自定义一些换算函数。
def convert_biwi(coords):
c1 = coords[0] * cal[0][0]/coords[2] + cal[0][2]
c2 = coords[1] * cal[1][1]/coords[2] + cal[1][2]
return tensor([c2,c1])
def get_ctr(f):
ctr = np.genfromtxt(img2txt_name(f), skip_header=3)
return convert_biwi(ctr)
def get_ip(img,pts): return ImagePoints(FlowField(img.size, pts), scale=True)
上面的换算函数中，convert_biwi可以参考数据集官方给出的换算方法，get_ctr是我们对某一张具体的图像f，找到其label所在的txt，然后读取txt内容，进行换算得到人脸中心的坐标值。标注处该坐标点为：
1.2 组建databunch
由于labels都是中心坐标值，所以此处用PointsItemList，如下：
data = (PointsItemList.from_folder(path)
.split_by_valid_func(lambda o: o.parent.name=='13')
.label_from_func(get_ctr)
.transform(get_transforms(), tfm_y=True, size=(120,160))
.databunch().normalize(imagenet_stats)
)
在创建val set时，考虑到同一个人的脸部相似度非常大，所以用不同的人脸作为val set, 此处用标号为13的人的脸部作为val set，其他人的脸部作为train set。
获取label的方式是get_ctr这个换算函数，这个函数从img的文件名中解析出对应的txt的路径和名称，然后换算得到中心点的坐标值。
此处的size并没有用常见的正方形图片，而是长方形，这个比例和原图的比例一致，为了保持人脸结构不会变形。
2. 模型训练
模型的构建和以前一样，用resnet34作为基本结构，创建cnn_learner即可。
learn = cnn_learner(data, models.resnet34)
在5个epochs的训练之后，结果为:
一般的，对于回归问题，模型的loss function应该采用MSE，在课程中所用的notebook中使用了learn.loss_func = MSELossFlat()，但此处没有明确指定MSELoss，估计是已经整合到cnn_learner中。
最后，显示下模型预测出来的结果和ground truth，将两者进行对比。
可以看出，预测出来的中心点位置几乎和原来的ground truth位置一致。
