tta及baseline改進思考
測試時增強（test time augmentation, tta）,可將準確率提高若干個百分點，。這裡會為原始影象造出多個不同版本，包括不同區域裁剪和更改縮放程度等，並將它們輸入到模型中；然後對多個版本進行計算得到平均輸出，作為影象的最終輸出分數。
有作弊的嫌疑。
這種技術很有效，因為原始影象顯示的區域可能會缺少一些重要特徵，在模型中輸入影象的多個版本並取平均值，能解決上述問題。
具體**如下：
def
predict
(test_loader, model, tta=10)
: model.
eval()
test_pred_tta =
none
# tta 次數
for _ in
range
(tta)
: test_pred =
with torch.no_grad():
for i,
(input
, target)
inenumerate
(test_loader)
: c0, c1, c2, c3, c4, c5 = model(data[0]
) output = np.concatenate(
[c0.data.numpy(
), c1.data.numpy(),
c2.data.numpy(
), c3.data.numpy(),
c4.data.numpy(
), c5.data.numpy()]
, axis=1)
test_pred = np.vstack(test_pred)
if test_pred_tta is
none
: test_pred_tta = test_pred
else
: test_pred_tta += test_pred
return test_pred_tta
而baseline最後提出的乙個模型的改進方法，則是10折交叉驗證
下面假設構建了10折交叉驗證，訓練得到10個cnn模型。
那麼在10個cnn模型可以使用如下方式進行整合：
十折交叉驗證
（1）英文名叫做10-fold cross-validation，用來測試演算法準確性，是常用的測試方法。
（2）將資料集分成十份，輪流將其中9份作為訓練資料，1份作為測試資料，進行試驗。每次試驗都會得出相應的正確率（或差錯率）。
（3）10次的結果的正確率（或差錯率）的平均值作為對演算法精度的估計，一般還需要進行多次10折交叉驗證（例如10次10折交叉驗證），再求其均值，作為對演算法準確性的估計。
這部分**稍後實現了再新增上來。
Datawhale第13期組隊學習筆記Task2
task2主要內容為資料讀取 資料擴增方法和pytorch讀取賽題資料三個部分組成。用pil裡面的image方法讀取比較簡單，直接 im image.open 名.jpg 即可。而其中包含了一些別的讀取方式，如應用模糊濾鏡 im image.open test1.png im.filter imag...
Datawhale組隊學習Pandas
下面直接展示內聯 片。備註內容為學習後的感想與總結 author xuxt time 2020 12 14l def my func x return 2 x for i in range 5 l.my func i print l 定義 我的函式 輸入x，返回，2x，即輸入1，2，3，4，5可以得...
DataWhale 21期資料分析組隊學習
總結day1 今天是參加datawhale 21期資料分析組隊學習的第一天，在參加這個組隊學習之前我心裡是很猶豫的，因為我的python基礎不是很好，雖然我自學了python基礎，但是我還沒有真正用到案例上的經歷，並且很多東西因為用的少，學習的時間長了有點淡忘了，如果我以後要從事資料分析類的工作的話...