weixin_40380201的博客

模型集成在上一章我们学习了如何构建验证集，如何训练和验证。本章作为本次赛题学习的最后一章，将会讲解如何使用集成学习提高预测精度。6 模型集成本章讲解的知识点包括：集成学习方法、深度学习中的集成学习和结果后处理思路。6.1 学习目标学习集成学习方法以及交叉验证情况下的模型集成学会使用深度学习模型的集成学习6.2 集成学习方法在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成学习方法与具体验证集划分联系紧密

模型训练与验证一个成熟合格的深度学习训练流程至少具备以下功能：在训练集上进行训练，并在验证集上进行验证；模型可以保存最优的权重，并读取权重；记录下训练集和验证集的精度，便于调参。5 模型训练与验证为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解，在部分小节中将会结合Pytorch代码进行讲解。5.1 学习目标理解验证集的作用，并使用训练集和验证集完成训练学会使用Pytorch环境下的模型读取和加载，并了解调参流程5.2 构造验证集在机器学习模型（特别

评价函数与损失函数本章主要介绍语义分割的评价函数和各类损失函数。4 评价函数与损失函数4.1 学习目标掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax；掌握评价/损失函数的实践；4.2 TP TN FP FN在讲解语义分割中常用的评价函数和损失函数之前，先补充一**TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(假反例 false negati

语义分割模型发展本章主要讲解的是语义分割网络模型的发展：FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、GAN语义分割。3 语义分割模型发展语义分割（全像素语义分割）作为经典的计算机视觉任务（图像分类，物体识别检测，语义分割）。其结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。3.1 学习目标掌握语义分割模型的原理和训

本章对语义分割任务中常见的数据扩增方法进行介绍，并使用OpenCV和albumentations两个库完成具体的数据扩增操作。2 数据扩增方法本章主要内容为数据扩增方法、OpenCV数据扩增、albumentations数据扩增和Pytorch读取赛题数据四个部分组成。2.1 学习目标理解基础的数据扩增方法学习OpenCV和albumentations完成数据扩增Pytorch完成赛题读取2.2 常见的数据扩增方法图像的增广是通过对训练图像进行一系列变换，产生相似但不同于主体图像的训练样