零基础入门CV实践-Task5

任务简介

模型集成

学习目标：
1、学习集成学习方法以及交叉验证情况下的模型集成
2、学会使用深度学习模型的集成学习

集成学习方法

常见的集成学习方法：Stacking，Bagging，Boosting
集成学习方法有时也被称作多分类器系统，感觉就是通过使用多个分类器的方式来提升学习效果的一个方法。

根据个体学习器的生成方式，目前的集成学习方法大致可以分为两类：

个体学习器间存在强依赖关系、必须串行生成的序列化方法，代表为Boosting；
个体学习器间不存在强依赖关系、可同时生成的并行化方法，代表为Bagging和随机森林。
出处

留取法：需要较好的硬件设备
交叉验证法：有较好的精度

深度学习中的集成学习

1、Dropout
随机停掉一部分节点，可以有效缓解模型过拟合，并增加模型精度

2、TTA
测试集数据扩增（Test Time Augmentation）
是常用的集成学习技巧（数据扩增在预测的时候也可以进行），对同一个样本预测三次，然后对三次结果进行平均

3、Snapshot

结果后处理

本次比赛的预测结果后处理思路
1、统计图片中每个位置字符出现的频率，使用规则修正结果
2、单独训练一个字符长度预测模型，用来预测图片中字符个数，并修正结果