李宏毅ML2022 Spring HW3解析

原创

已于 2024-01-23 13:06:45 修改 · 1.8k 阅读

CC 4.0 BY-SA版权

文章标签：

于 2024-01-22 12:05:50 首次发布

本文讲述了作者在完成机器学习课程作业时，如何利用数据增强（如RandomResizedCrop和TTA）提高模型性能，以及在实践中遇到的问题，如ResNet18训练、GPU并行加速、Ensemble方法的应用，最终达到的Score为0.88047。

作业3是食品分类，可以在台大网站下载相关代码和PPT：ML 2022 Spring

参考了机器学习手艺人的李宏毅2022机器学习HW3解析_2022 hw3-优快云博客和【深度解析→博文总结】李宏毅机器学习2023作业03CNN(Image Classification) - 知乎的解析，因为很多概念都没学过，有点无从下手，想着还是要自己动手才能学会，于是便一个个知识点去学习应用。

Data augmentation（数据增强）：

数据增强就是通过对原图进行各种变换再做训练，相当于训练的样本增加了，从而提升模型的泛化能力。这也是HW3的问题1要解答的。

我加的都是Random的变换，因为每次获取训练数据的时候，都是把所有的变换操作都执行一遍的，如果不是随机变换，那原图就永远不会参与训练，只有转换以后的图片才会参与训练，那训练效果可能就不好了。

train_tfm = transforms.Compose([
    # Resize the image into a fixed shape (height = width = 128)
    transforms.Resize((128, 128)),
    # You may

1 条评论