《街景字符编码识别CV组队学习》第5次打卡

一、学习内容
模型集成
1.集成学习方法
常见的方法包括stacking、bagging、boosting三类，与验证集的划分有关。
比如10折交叉验证。

2.深度学习中的集成方法

a.dropout
一般放在relu之后，用于缓解过拟合，目前已不常用

b.测试集数据扩增（TTA）
Test Time Augmentation(TTA):在测试时，进行数据扩增，比如对同一个样本预测3次，然后对3次结果进行平均。

c.snapshot
使用cyclinical learning rate进行训练，并保存精度比较好的多个checkpoint,最后将多个checkpoint进行集成。

3.后处理

后处理有时候能够帮助提升精度，本赛题的2种思路：
1.统计图片中每个位置字符出现的概率，利用规则修正结果
2.单独训练一个字符长度预测模型，预测图片中的字符个数，并修正结果。

二、小结

模型集成可以提高精度，但耗费很多训练时间，所以，先应该提高单模型精度。

通过本次学习，学到了很多有用的技巧，感谢datawhale组织！