gesture识别模型部署

(docker run -tdi  -p 59000:22 -p 59001:8888   --name guanjun1   --privileged=true registry.cn-hangzhou.aliyuncs.com/mkmk/jupyter:gestureguanjun init)&&(docker exec -d guanjun1 /bin/bash -c "cd /home/jupyterfiles && nohup /usr/local/python3/bin/jupyter notebook  --allow-root  &")

一、思路说明
本次比赛主要采用初级+次级模型的方法来进行训练与识别。初级模型有三个，其中两个是基于CNN的模型，另外一个是基于LightGBM的模型。在初级模型训练完成后，将其预测的概率作为次级模型的特征，用于训练次级模型以及生成最后的结果。具体模型的网络结果和特征可以阅读代码，其中有详细的注释。
二、训练过程
在训练时，首先调整好三个初级模型，其中包括做特征、调参等，尽量提升模型的预测精度。然后采用三个初级模型来生成次级模型的训练集特征和测试集特征（stacking集成用）。最后用生成的特征调试次级模型，并且生成最后的结果。

该文件主要介绍source文件夹中的代码结构：
（1）model文件夹：用于存储训练好的模型文件，本次比赛每个模型都采用了10折交叉验证，每种模型对应有10个模型文件。由于LightGBM训练较快就未进行存储，只存储了两种CNN网络的训练模型。
（2）stacked feature文件夹：存储由初级模型生成的特征数据，本次比赛利用这些数据进行stacking集成。
（3）test文件夹：测试集文件。
（4）train文件夹：训练集文件。
（5）baseline_cnn_1.ipynb文件：初级模型1，基于CNN的模型。
（6）baseline_cnn_2.ipynb文件：初级模型2，基于CNN的模型。
（7）baseline_lightgbm.ipynb文件：初级模型3，基于LGB。
（8）stacking.ipynb文件：次级模型，基于神经网络。
（9）sub_cnn_1.csv：初级模型1生成的提交文件。
（10）sub_cnn_2.csv：初级模型2生成的提交文件。
（11）sub_lightgbm.csv：初级模型3生成的提交文件。
（12）sub_stacking.csv：次级模型生成的提交文件。