纯分享，有不足，还望指正

首先声明本人自去年九月接触FlyAI，未拿过第一，只想单纯分享经验，一个梦想致力于开源路上的小男孩。但是平台可以帮人快速成长是一点没错的，当你看到诸多优秀的人，你会有一种为什么我不行的错觉，这篇文章就是希望帮你找到你在图像分类中可能忽视的细节。

当第一次做图像分类的步骤应该是啥？

1. 观察数据：数据长什么样，标签几类啊，图像大小啊。
2. 数据增强：最开始最好什么也没有，或者肉眼感觉可以做的数据增强（仅限部分赛题，肉眼和CNN理解存在差距）
3. 模型选择：resnet，densenet，efficientnet个人最常用的三种，选择一个浅层的开始。
4. 观察性能：有了数据，模型，然后就提交看一下可以获得多少分啊！

看了分数之后，发现怎么和第一差好多我该怎么办？

1. 我模型不对，我换个模型试试？
2. 我数据增强不好，我改一改？

注意，我想说的是，以上这两条再单模的时候十分关键，模型和数据增强很大一部分决定了你的分数上限，所以在调参的时候可以跑一编常用的模型res34-50-101;wrn-50-101等等等，在换模型的时候注意不要改动数据增强了。然后你在修改数据增强，找到一个最好的数据增强。

这个时候就有小伙伴问了，什么是最好的数据增强？

1. 如果你fai足够，你就尝试自己认为可能的数据增强，找到一个合适的。
2. 自己写好数据增强好，自己把增强后的数据画出来看看，如果差距同类中的太多，肯定不行啊！
3. 当你遇到瓶颈后，你可以分析bad case，看一下怎样的数据增强可以让其预测正确？（我在很多分类经验中都看到过这一点，虽然我从来没用过，因为我是个懒人）

补充一点比较关键的optimizer和 lr_scheduler

• 如果你不知道如何使用优化器：Adam，学习率3e-4。
• 如果你不明白学习率递减策略： ReduceLROnPlateau（patience通常3、4）和余弦学习率选一个

数据增强，模型都说完了，怎么上分才是关键啊，一下我就列举我在FlyAI，用到过的所有Trick（pytorch）。

1. 数据重新划分：官方给的是6：2，第一步我默认直接0.1或者0.2，这点我觉得也是大多数人默认的技术了。
2. 标签平滑：适用于有噪声的标签，我在标签种类多的比赛中常用，少的几乎不用，来自于经验。个人取舍！
3. 样本平衡：几乎不用，大部分评估指标acc（因此你可以揣测测试样本也是如此的，过大的权重不利于样本多的类更准确）。如果你非要用，搜索ImbalancedDatasetSampler即可使用。
4. warmup：最开始我用小的学习率训练，防止一开始底层的权重被拉偏了。当数据量较少的时候我会使用。当数据量很大的时候，我通常为了剩fai这里就不做过多的设置。搜索GradualWarmupScheduler即可使用
5. cutout以及随机擦除：这里有时候是涨分点，例如你画我猜的时候就很好用。这个trick在pytorch的transforms中自带了，可想而知，这个还是常用的。
6. Mixup:我看到已经有大佬分享这个了，我只能说，用这个我从来没有上过分，不知道是不是自己太菜了！！所以，这个大家自己试试。在尝试的时候注意，如果你已经用到了cutout的话，再用是不是有点就不好了，个人理解。
7. 分层学习率：backbone和fc使用不同的学习率，这点我感觉和warmup有点相似之处，所以大家各取所好就好。具体实现可以自己写网络类，或者根据网络层的名字在optimizer里指定。
8. Dropout和BN：抑制过拟合的好手段，将最后的fc前面加一层DP或者BN，或者自己重新写一下FC。这里分享以下，我以前Keras，后来Pytorch，所以在修改fc的时候有点不适应。后来发现只需要 nn.Sequential( nn.Dropout(0.2),nn.Linear(nfs, cfg.num_class) )即可。
9. TTA：测试增强，这也是几乎必用的手段，没有副作用（在不要求复杂度的情况下）。模型预测的时候，使用数据增强的多张照片，取结果的平均值。这里的数据增强，我通常直接使用训练时候的数据增强。如果你分析了bad case在这里修改一下增强效果，涨分利器。
10. 模型融合：Flyai2.0更加开放，使得模型融合变得非常简单，所以不妨试一下，你会发现新大陆，就像我在X肺炎检测里说的，在过拟合的情况下，通常能带来稳定的涨点，也是各路比赛要求的。
11. 交叉验证：这里就和模型融合有点类似，区别在于数据上而已，使用不同的数据训练多个模型。有时候也是涨点利器。

今天就分享这么多，以后可能会更新，怎么合理使用这些技巧呢？每次都试一遍不是 太扯淡了吗？

这里要说的就是，当你看了很多心得，你发现为啥感觉大家说来说去就这么多，我好像都明白，但是为什么我的分数不如别人呢？哈哈，我也有同样的问题，这其中有运气的成分，但不可否认别人的经验和技术的差距，随便一个参数（例如学习率）别人设置的可能就比你设置的结果好一些。

不乏大佬可以重新修改底层网络结构，所以在抱怨的时候，为何不去尝试一点新的东西，不分析一下bad case呢？例如最新的cbam,res2net,cutmix,别的数据增强包啊，优秀的预训练模型啊，kaggle就有你画我猜原题目啊，对吧？

如果觉得我说的有用，就给我点个赞吧！

PS：

本人懒人，以上trick我在接触平台的时候就已经开始收集各种实现方式了，很多大佬也是如此。所以你看，同样一个题目，别人可能直接修改少量的参数就比较有好的效果了，所以把好用的就封装起来，下次直接用，祝大家可以取得高分。