1.问题分析和总结   

本次竞赛使用的数据集由北欧真菌学家协会（Mycologist‘sSociety of Northern Europe）提供的9 种常见北欧蘑菇属的图像组成。 总结：   

1.1.图像9分类。   

1.2.和imagenet相似度较低   

1.3.评测指标为准确率  

 ## 数据集查看  

可以查看本地目录中的数据集图片， 筛选出明显不符合对应类别的图片， 比如说有几张全黑的图，我们可以直接剔除此种明显是噪声的图片，当然这只是初步的观察。还有一些格式错误的图片，可以使用pil的内置功能忽略掉：  from PIL import Image,ImageFile   ImageFile.LOAD_TRUNCATED_IMAGES= True  

2.技巧和经验  

## 模型选用尝试  在不同的网络下。 初步测试分数如下， 图像大小为224x224， 最高至384x384：Seresnet-50， 最高调到87分 ；  Resnext101d_32x16 :  94； Efficient-b2 : 93 CoatNet:   95 ； VIT-16/224 : 96 ；Swin-transform : 95  。 

## 冻结网络前k层 

1.预训练模型权重(imagenet)的数据集和比赛数据集相似度高， 直接调整输出层 

2.预训练模型权重(imagenet)的数据集和比赛数据集相似度低， 冻结模型前k层。 ● 原因： 模型输入层附近的层， 提取的是更通用化的特征。## 损失函数：  1.torch.nn.CrossEntropyLoss()  2.+label_smoothing （标签平滑） 

 3.换成Focal_loss 

## 学习率调度   

1.stepLR ： 固定步数衰减   

2.reduceOnPlateau : loss停滞期后衰减  3.余弦退火。## 验证时进行错误分析  1.自己写个统计函数， 统计验证集上每个类别的分类情况  

2.Sklearn.metrics.classification_report() 统计各个类别上的-f1-score。 

## 测试时调优TTA：测试时进行图像增强。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（或者其他指标）。这里的数据增强，我通常直接使用训练时候的数据增强，其他的也可以试试。### 图像增强使用工具：torchvision.transforms， 对训练集图片进行水平，垂直翻转， 旋转，仿射变换，像素随机擦除等多种·组合变换，达到了扩充数据集的目的，完成了对于模型健壮性进行增强的指标。 当然，选用策略的时候宜少不宜多， 组合几种效果最好的就行，不然就难以优化了。 

3.学习感悟和心得  

在考虑显卡性能的情况下， 尽量尝试新的模型，会有意想不到的结果； 

多多关注新发布的论文， 对于别人分享的调优tricks进行尝试加应用。  

关注下领域的最新动态， 比如今年transformer在图像领域的应用。