第22名解决方案

我差点就要放弃了，因为无论我尝试什么，公共排行榜（Public LB）上的准确率都没有提高。尽管如此，这里的经验教训是要深信你的本地交叉验证（CV），而且由于（第1、2、3、4名）与其余人之间的准确率差距很大，还有很多东西需要学习。

方案大纲

• 从迁移学习开始，使用 Densenet201，One cycle 学习策略
• 解冻层并重新训练（包括为各层设置自定义学习率）
• 3个独立模型的方法
• 使用 Albumentation 进行图像增强
• 本地交叉验证（CV）

其他细节

• 训练轮次：5折交叉验证（5 fold CV），每折训练带有回调机制，最少20轮，最多32轮
• 预处理：将图像转换为 256*256 大小并应用处理
• 图像增强：基础图像增强，如 VerticalFlip=False，图像大小 256*256，亮度对比度调整，随机伽马，以及 fastai 的抖动
• 误差指标：每个类别使用 fastai 默认的误差指标
• 后处理：没有特别的后处理，仅使用了5折概率的平均值