目录
kaggle 排名 2
数据分析与处理 3
1、图片分析 3
2、数据划分 3
数据增强 4
模型选择 4
1、3 层卷积简单模型 4
2、VGG16 修改 4
3、DPN 修改 5
4、resnet 18 修改 5
5、resnet 50 修改 6
6、Google Net 6
参数调整 6
1、学习率与优化器 6
2、数据批量大小 batch size 7
3、旋转角度 7
4、模型参数 7
训练策略 8
1、控制随机种子 8
2、预训练 8
3、Bagging 投票 8
总结 9
参考资料 9
kaggle 排名
用户名：HyperionSoldier
用户名寓意：科幻小说《海伯利安》中的伯劳是未来人类所创造之终极智能体，以“海伯利安战士”为名象征着人工智能的强大力量以及使用 AI 解决问题的决心。
private 榜：Score 0.91514 排名第 19

1、3 层卷积简单模型
首先使用了有 3 层卷积的简单模型，卷积之间用 batchnorm 层和 relu 层连接，提高模型的泛化能力。
这种简单模型在 validation 集最高能达到 90.9%的准确率，在 kaggle 公榜上能达到 87% 的准确率。
2、VGG16 修改
VGG 模型常被用于各种分类任务，曾获得 2014 年 ILSVRC 竞赛的第二名，下面是 VGG 模型的参数配置(Simonyan & Zisserman, 2014)。
本次任务我使用了 VGG16 的修改版（表格中的 C），首先将 RGB 3 通道的输入改为 1 通道灰度，再将最后 3 个卷积层和 maxpool 池化层去掉，最后将全连接层的维度改为 256-
512-10