数据处理 

1、通过线下观察数据，发现图像尺寸普遍在400以上，所以考虑使用的模型图像尺寸输入大小为448

 2、使用AutoML中的RandAugment作为图像数据增强 

模型选择

 1、因为图像尺寸较大，所以考虑使用efficientnet系列作为baseline模型框架我使用的是efficientnet-b2模型作为baseline 

训练技巧 

1、使用标签平滑损失，用来防止过拟合 

class LabelSmoothingCrossEntropy(nn.Module):    

def __init__(self, epsilon: float = 0.1, reduction='mean'):        

super().__init__()        

self.epsilon, self.reduction = epsilon, reduction    

def forward(self, output, target):        

c = output.size()[-1]        

log_preds = F.log_softmax(output, dim=-1)        

loss = reduce_loss(-log_preds.sum(dim=-1), self.reduction)        

nll = F.nll_loss(log_preds, target, reduction=self.reduction)        

return lin_comb(loss / c, nll, self.epsilon) 

2、使用带动量的SGD优化函数 

optim.SGD(model.parameters(), lr=lr, momentum=0.9, weight_decay=1e-4, nesterov=True)3、使用ReduceLROnPlateau作为学习率调整技巧 

lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', factor=0.3, patience=3, verbose=True) 

总结 

本次比赛的数据集数量相对较少，训练过程也比较快，可以考虑多尝试目前新出模型进行训练，像ResneSt和Res2Net这些也可以考虑尝试一下，也可以考虑各种技巧的组合进行训练，并且可以多看看人家的总结，比如很多人有提到训练时使用adam作为优化器，使用多阶段训练，还可以考虑使用多模型融合等，总之，得自己多主动学习。Thanks...