Backto DeepCV
通常,训练多个模型共同作用胜过单一的模型。在竞赛中,几乎所有的顶尖队伍中都用到了模型集成。
组队方式: ensemble 中不同模型的生成方式
同一模型,不同初始化
使用 cross-validation
来确定 hyper-parameters
, 然后给定一个模型,多组不同的初始值,进行训练。然后一起去打怪。
类似于公立学校,不同背景的人来,大班上课,同一套教师班子。
同一模型,不同节点
计算资源有限,肿么办?把训练中的不同时间节点的 checkpoint 保存下来,集成到一起,看看效果喽~ 实践中貌似还不错。
类似于 影分身之术
。我,和昨天的我,和前天的我,和大前天的我,一起上。
高手组团,竞争上岗
针对一些具体的任务,已经有一些比较好的模型出现了,但是性能还比较接近,时而这个好,时而那个好,都很强但是没有稳定的第一。那好办,全请过来,一起干。
类似于八仙过海,各显神通
。我只要过海
,你们自己竞争个最优方案来。
各管一边,协作突破
针对一些特别宽泛的任务,比如图像分割。可以针对 自然风景,交通路况,室内室外等不同场景,设计不同的模型,各管一项。最后把结果 Fusion 成一体,从而达到在全场景测试中不错的成绩。
类似于 兵来将挡水来土掩
。