Contents
- 1 关于Kaggle竞赛
- 1.1 比赛奖牌规则如下：
- 2 图像识别竞赛流程
- 3 数据准备
- 3.1 模型设计
- 3.2 迭代训练
- 3.3 模型测试
- 4 总结
关于Kaggle竞赛
Kaggle是一个数据分析的竞赛平台，网址：https://www.kaggle.com/，网站主页面如下：
kaggle上的竞赛主要分为A类赛和B类赛。
A类赛主要适合用传统的机器学习算法做，偏向与文本数据处理，比如房价预测，文本分类等；
B类赛则几乎都是用神经深度学习算法做，偏向于图像识别/目标检测等方向，比如基础的猫狗识别、cifar10图像分类、蛋白质识别等。根据我的亲身体验，真的需要配置好的服务器做基础才行啊！
我现阶段专注于图像识别，所以我参加了三个kaggle竞赛都是CV领域的，下面是我总结的Kaggle的CV类竞赛的流程。
- 数据准备（包括下载、分析数据后，再读取数据并做预处理，数据量过小的话做数据增强）
- 模型设计（CNN网络选择，基础CNN，或者state-of-art模型，如ResNet，VGGNet等，模型）
- 迭代训练（迭代训练模型）
- 模型验证（在测试集上测试训练得到的模型）
比赛奖牌规则如下：
图像识别竞赛流程
图像识别竞赛，主要是对未知图像进行分类，然后在测试集上测试后，提交结果到Kaggle平台，查看分数和排名。主要流程如下：
- 数据准备
- 模型设计
- 迭代训练
- 模型验证
数据准备
包括下载、分析数据后，再读取数据并做预处理，数据量过小的话做数据增强。
模型设计
图像识别的比赛，基本都是CNN网络，所以这里可以选择基础的CNN网络，或者直接上state-of-art模型，如ResNet，VGGNet等模型，模型的设计需要注意的是一些超参数的调节，包括基础学习率、最大迭代训练次数、Batch批次大小等，这些都需要依靠经验和理论来去设置调节。
迭代训练
当数据准备和模型设计的工作完成以后，我们就可以对模型进行迭代训练，来获取模型最佳权重，在迭代次数完成后，记得保存模型。训练可使用K折交叉验证方法。
模型测试
迭代训练后的模型泛化性和效果如何，需要在测试集上测试之后才能知道，这也是Kaggle竞赛与网上乱七八糟的一些demo的不同之处，模型需要对较大的测试集进行测试，并将图像分类的测试结果写入csv文件提交到官网上去。为了得到好的测试结果，我们需要做验证比较多个模型、调节超参数、做数据增强、防止过拟合等工作。
总结
因为图像识别不想文本处理类的比赛所需数据量较小，所以它前期的数据准备工作很是繁琐，对硬件要求很高，所以建议准备一个好的服务器平台。
