源码快速接入
数据集，代码获取方式：
关注微信公众号 datayx 然后回复 AI 即可获取。
配置数据集路径
打开config.py，找到下面的位置，根据自己的电脑系统在对应的位置配置上数据集路径
- 分类数据
运行
split_by_class.py脚本，分别对train数据集合val数据集进行按照子文件夹分类 - 开始训练
找任一个
classifier开头的(classifier_base除外)脚本进行运行，这里包含VGG16/19、Xception、Inception-V3、Inception-Resnet-V2等经典模型
要点概述
- 支持多个单模型进行集成，可选多种集成方式
- 支持多种集成方式间的任意组合和自动择优
- 支持间断训练时权重文件的择优选择
- 支持
VGG16、VGG19、Resnet50、Inception-V3、Xception、Inception-Resnet-V3模型 imgaug图片数据增强库替换Keras自带的图片预处理- 支持多进程进行图片预处理
血训
数据增强很重要！！！
Keras自带的图片增强远远不够的，这里选择了imgaug这个图片数据增强库，
https://github.com/aleju/imgaug
直接上图，这种效果是目前的Keras望尘莫及的，尽可能最大限度利用当前有限的数据集。提高1~3个百分点
尽可能高效使用CPU！！！
训练任务交给GPU去做，新添加的imgaug图片处理方式之后，一个Epoch在1050Ti上耗时90mins ，排查发现大部分时间都在进行图片数据增强处理，于是将该部分的处理替换为多进程方式。时间从90mins降到30mins左右
标准化很重要！！！
先计算出整体训练集的mean和std，然后在训练阶段的输入数据以mean和std进行高斯化处理（参mean_var_fetcher.py）提高0.5~1.0个百分点
Fine-tune别绑太紧！！！
这点尤为重要！Fine-tune时松太开，可能导致训练耗时，也可能导致机器带不动；绑太紧可能导致Fixed的权重参数扼制了模型的学习能力。建议是在机器能扛得住的基础下，尽可能松绑多一些。提高2~5个百分点
模型选择很重要！！！
糟糕的模型训练几天几夜，可能赶不上优势模型训练几个epoch。VGG16=>Xception提高5~8个百分点
Loss降不下去时尝试调低LR！！！
降不下去就调小，调下的幅度一般是5倍、10倍左右。提高1~3个百分点
TensorbBoard监视训练状态！！！
尽可能使用Tensorflow提供的Tensorboard可视化工具，方便从宏观把控训练过程。
适度过拟合是良性的！！！
训练过程中一直没有过拟合，要从两方面考虑：
- 模型太简单，拟合能力不足，这时要考虑增强网络复杂度
- 数据增强程度太大，学不到某些特征
模型集成！！！
单模型没有什么提升空间时，要尝试将多个单模型进行集成。集成的方式可以选择投票法、均值法、按照模型Acc加权法等等。提高0.5~1.5个百分点
预测数据增强！！！
为了确保预测结果的准确性，可以将待预测结果进行水平翻转（或随机裁取patch等）处理，将这多张孪生图片进行预测，最终结果取多个结果的均值。提高0.25~1.0个百分点
找个小伙伴一起搞！！！
挑战官网
https://challenger.ai/news/ai_challenger
