竞赛传送门：https://www.tinymind.cn/competitions/42
我们就是傻狗天仙配啦~
决赛排行榜：
这次比赛感谢第一名的 baseline：https://blog.csdn.net/guleileo/article/details/81946511
我们的代码基于这个baseline，省去了自己编写数据读取、评分准则的麻烦。
首先，我们将baseline的模型换成ResNet50、DenseNet201空模型效果不好；然后，我们选择了迁移学习，参考博客：https://blog.csdn.net/tsyccnh/article/details/78889838，后来将其InceptionV3换成InceptionResNetV2：
from keras.applications.inception_resnet_v2 import InceptionResNetV2,preprocess_input base_model = InceptionResNetV2(weights='imagenet',include_top=False) x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(,activation='relu')(x)
predictions = Dense(,activation='sigmoid')(x)
model = Model(inputs=base_model.input, outputs=predictions) model.summary()
加入了imgaug库的数据增强：
from imgaug import augmenters as iaa seq = iaa.Sequential([
iaa.CropAndPad(percent=(-0.1, 0.1)),
iaa.Sometimes(0.5,
iaa.GaussianBlur(sigma=(, 0.5))
),
iaa.ContrastNormalization((0.75, 1.5)),
iaa.AdditiveGaussianNoise(loc=, scale=(0.0, 0.05*)),
], random_order=True)
imglist=[]
imglist.append(X_train)
images_aug = seq.augment_images(X_train)
之后基于这个模型开始了调节batchsize、steps及两个epoch的工作，我们调节的最佳结果：
batch_size =
setup_to_transfer_learning(model, base_model)
history_t1 = model.fit_generator(train_generator,
steps_per_epoch=,
validation_data = val_generator,
epochs=,
callbacks=[reduce],
verbose=)
setup_to_fine_tune(model,base_model)
history_ft = model.fit_generator(train_generator,
steps_per_epoch=,
epochs=,
validation_data=val_generator,
validation_steps=,
callbacks=[reduce],
verbose=)
这时，就得到了预赛排名榜的分数44.3。
下面是得到45.89分的两个关键的工作啦！
第一，将arr2tag函数中的0.5改成0.3。原因：数据集小，很多标签对应的训练图片数量少，预测得到的概率值低，所以需要调低阈值让更多正确标签预测到。
第二，模型融合。我们是将InceptionV3和InceptionResNetV2两个模型的结果融合，先将两个模型保存训练出来，然后求两个模型预测出的标签的并集。
部分代码如下：
def arr2tag(arr1, arr2):
tags = []
for i in range(arr1.shape[]):
tag = []
index1 = np.where(arr1[i] > 0.3 )
index2 = np.where(arr2[i] > 0.3 )
index1 = index1[].tolist()
index2 = index2[].tolist()
index = list(set(index1).union(set(index2)))
tag = [hash_tag[j] for j in index]
tags.append(tag)
return tags
model = load_model('model1.h5')
y_pred1 = model.predict(X_test)
del model
model = load_model('model2.h5')
y_pred2 = model.predict(X_test)
y_tags = arr2tag(y_pred1, y_pred2)
针对以上两个关键工作，可以提升的点：
两个0.3还可以调的精确些；模型融合还可以加入其它的模型一起融合。
小心情：没拿到第一还是有点遗憾的，报名后好长时间没有做，也没想到更好的方法，所以重心都放在调参上，学习率、epoch都试了很多，epoch甚至需要一个一个的减小。关键工作都在是比赛结束前一天晚上和最后的上午完成的。我们队由傻狗和天仙两人组成，天仙之前在一个公众号里看到模型融合的方法，最后一天晚上决定再试一试这种方法，傻狗很聪明，训练需要保存的模型时将arr2tag函数里的0.5改成0.4，早晨提交发现结果提升了1分多，欢喜得不得了。这次比赛还是收获颇丰哒~
傻狗刚刚说给大家公开一下代码吧，那好吧：https://github.com/feifanrensheng/TinyMind-