这是我第一次参加与深度学习有关的比赛，参赛使用的是GTX1060的笔记本。由于机器性能的限制，我的模型在最终测试集的准确度是99.26。
- 首先你需要使用clean_and_split_dataset.ipynb去获取你的训练集和验证集
- 这里我给出两个训练Demo：base_pipeline_VGG16.ipynb和base_pipeline_ResNet50.ipynb的例子，你可以尝试训练你自己的网络
- 最后，如果你对单一模型的表现不满意，使用模型集成ensemble.ipynb你可以得到更好的结果
csv_utils: csv模块
- get_model_info: 载入预训练模型和相应参数
- get_class_indices: 从csv文件中获取类名到索引值的字典
- get_top1_pd_data_from_topk: 从topk的csv文件中，以DataFrame格式获取top1并写入文件
- get_topk_pd_data: 以DataFrame格式获取topk结果
- get_pd_data_with_specific_order: 以特定文件顺序获取最终预测结果
- write_list_or_dict_into_csv: 将list或者dict类型的数据写入csv文件
- write_into_csv: 将DataFrame格式的数据写入csv文件
data_utils: 数据集处理模块
- rel_error: 相对错误
- join_path: 连接路径
- get_number_of_batches: 获取batch的个数
- get_file_name_from_path: 从路径中获取文件名
- get_class_name_from_path: 从路径中获取文件的类名
- split_dataset_into_training_and_test_sets: 划分数据集
- search: 搜索当前目录，并获取所有图像的路径和标签
- get_paths_and_labels_from_directory: 从目录下获取所有图像的路径和标签
- clean_dataset: 清洗数据集，可视化脏数据
evaluate_model: 评估模型模块
- predict_without_augmentation: 不通过数据增强来预测
- get_generators_for_models_list: 获取当前预训练模型的数据生成器
- save_prediction_for_models_list: 保存预训练模型的预测值
- get_predictions_from_backup_for_models_list: 获取备份后预训练模型的预测值
- get_topk_indices_by_single_generator: 通过单一数据生成器（模型）来预测前k大概率值所对应的索引值
- evaluate_topk_accuracy_by_single_generator: 通过单一数据生成器（模型）来预测top-k准确度
- get_topk_classes_by_single_generator: 通过单一数据生成器（模型）来获取前k大概率值所对应的类名
- predict_by_keras_augmentation: 通过KerasAPI自带的数据拓展进行预测集成
- predict_by_my_augmentation: 用自己的方法对数据集进行拓展，再进行预测集成
- predictions_ensemble: 对多个模型给出的预测值进行集成
- get_generators_and_predictions_for_model_list: 获取多个预训练模型的数据生成器和预测值
- get_prediction_by_pre_trained_model: 通过预训练模型获取对数据集的预测值
image_utils: 图像处理模块
- cv_imread: OpenCV读取图像（可以包含中文路径）
- convert_RGB_to_BGR: 转换像素格式
- convert_BGR_to_RGB: 转换像素格式
- resize_image_by_size: 拉伸图像
- rotate_image_by_angle: 旋转图像
- check_image: 检查当前图像是否为脏数据（可以根据需要自行更改）
- show_dirty_images: 可视化脏数据
- show_images_in_wrong_info: 可视化CNN模型预测信息中的错误图像
- show_augment_patches: 可视化自己拓展后的图像
- show_image_by_keras_augmentation: 可视化Keras API数据增强后的图像
model_utils: 模型参数模块
- clear_session: 清除当前会话
- get_channels: 获取颜色通道数目
- print_model_info: 输出模型信息
- freeze_layers: 冻结CNN的一些网络层
- load_my_model: 载入模型和相应参数
- my_generator: 生成数据生成器
- draw_plot: 绘制训练历史曲线
- count_parameters: 统计模型的参数
train_model: 训练模型模块
- train_model: 训练模型
- 数据增强以及抖动非常重要
- 你可以使用Batch Normalization和Dropout来提升你的模型
- 在一些全连接层增加正则化可以获得更好的结果
- 在过拟合的时候记得衰减学习率
- 模型集成有时候会有很不错的效果
- 对测试集进行数据增强不失为一个很好的方法
- 不管怎么样，多尝试并从结果中学习是非常重要的