【pytorch】简单的一个模型做cifar10 分类（四）-类似投票机制进行模型集成

本文链接：https://blog.youkuaiyun.com/qq_37791134/article/details/107987197

本文介绍了如何使用Python中的`collections.Counter`进行模型集成，特别是在深度学习中处理CIFAR10分类任务时。文章强调了熟悉Python库的重要性，并提到在模型性能相近时，可以采取平均预测结果的方法进行集成。当模型性能差异较大时，建议使用加权平均，并提到了优化算法如SLSQP等来获取权重。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

题外话：这里还是得会用python用的6呀，谁说用深度学习不需要啥高深的python用法，简单就可以，其实还是要对python的各种库非常熟悉的。

        # print(arr[:, 0])  # [3 3 5]
        # print(Counter(arr[:, 0])) # Counter({3: 2, 5: 1})
        # print(Counter(arr[:, 0]).most_common(1))  # [(3, 2)]
        # print(Counter(arr[:, 0]).most_common(1)[0])  # (3, 2)
        # print(Counter(arr[:, 0]).most_common(1)[0][0]) # 3
        pre.clear()
        result = [Counter(arr[:, i]).most_common(1)[0][0] for i in range(BATCHSIZE)]

这里就是想介绍一下：

from collections import Counter计数器

看这里https://blog.youkuaiyun.com/ch_improve/article/details/893883891,2点挺好的，或者直接看python官方文档吧

如果各个模型性能差不多，可以取各模型预测结果的平均值；如果模型性能相差较大，模型集成后的性能可能还不如一单个模型，相差较大时，可以采用加权平均的办法，其中权重可以采用SLSQP，Nelder-mead，Powell，CG，BFGS等优化算法获取。

epoch:97集成模型的正确率74.5
模型0的正确率为：70.66
模型1的正确率为：65.89
模型2的正确率为：69.75
epoch:98集成模型的正确率75.09
模型0的正确率为：71.65
模型1的正确率为：65.62
模型2的正确率为：68.66
epoch:99集成模型的正确率74.89
模型0的正确率为：71.5
模型1的正确率为：65.46
模型2的正确率为：69.57

接下来看一个模型集成的实例：

# -*- coding: utf-8 -*-

'''
@Time    : 2020/8/13 16:33
@Author  : HHNa
@FileName: integrate.py
@Software: PyCharm
 
'''
# step0 导入库及下载数据
import torch
import torchvision
import torchvision.transforms as transforms
import torch.utils.data as data

# Data
print('==>