challenger plant

（https://challenger.ai/competition/pdr2018）

开始记录下这次参赛的过程，为免日后忘记。一次比赛真的可以积累超多知识！

1.python相关

命令行参数传递，fire模块（https://blog.csdn.net/u010099080/article/details/70332074#），*args与**kwargs（https://www.cnblogs.com/max520liuhu/p/8921932.html）

ipdb，用于python程序的debug（）

tqdm，用于python程序运行进度显示，一般用在迭代过程中（https://blog.csdn.net/zejianli/article/details/77915751）

pyckage和module的区别，以及pyckage中的 __init__.py 文件的作用（https://blog.csdn.net/dutsoft/article/details/40482325）

scipy: misc模块

 

2.tensorflow相关

（1）tf.flags（https://blog.csdn.net/leiting_imecas/article/details/72367937），与sys.args类似，用于接收命令行参数。此外，还有fire（需单独安装，不在python自带的库中），

（2）tensorflow源码，含有许多网络的源码（https://github.com/tensorflow/models）

接上，该页面（https://github.com/tensorflow/models/tree/master/research/slim）中有许多可供下载直接使用的pre-trained model（VGG, Inception, RecNet等）

（3）tfrecord，用于数据读取与存储。一般程序使用数据的方式有两种：一是直接从硬盘全部读入内存，然后每次从内存中取出batch，这样速度当然较快，前提是内存足够大而数据量较少，对于图像数据动辄几十G的这样不现实；二是每次从硬盘读取一部分，这样速度很慢。     tfrecord正是解决上述两种方法存在的不足。

基本过程是：制作tfrecord数据--读取tfrecord数据--在训练中启动队列

https://blog.csdn.net/tengxing007/article/details/56847828/  这个例子较好，基本讲清楚了该过程。

https://www.cnblogs.com/hellcat/p/6941446.html 讲的很全面

 

3.图像分类相关

（1）使用预训练模型作迁移学习+fine-tune

（2）这个例子比较适于初次使用者（https://www.cnblogs.com/andre-ma/p/8458172.html 使用Inception_resnet_v2训练自己的数据集）

 

4.场景分类

（1）https://github.com/chenyuntc/scene-baseline（PyTorch baseline for AI challenger Scene classification）

（2） https://blog.csdn.net/a940902940902/article/details/83993234 （AI Challenger 2018 农作物病害细粒度分类-----Pytorch 深度学习实战）

（3）https://blog.csdn.net/qq_40859461/article/details/84199358#_8 （农作物病害识别挑战赛）

（4）https://blog.csdn.net/JinbaoSite/article/details/85037445（农作物病害识别挑战赛）