Jeremyczhj/FashionAI_Tianchi_2018

天池大数据竞赛——FashionAI全球挑战赛—服饰属性标签识别
采用多任务学习的策略，比赛最终成绩为决赛21名，在此记录一下在比赛过程中踩过的坑
FashionAI全球挑战赛官方链接，数据集可在此下载
我的CSDN链接
transfer learning multitasks learning keras FashionAI Tianchi big data

环境
ubuntu16.04/windows10
python 3.6.2
keras 2.1.6
tensroflow 1.8.0
opencv-python 3.4
imgaug 0.2.5

使用

因为懒，代码写完就跑，跑完就算，没怎么优化与封装
config.py-------------配置了样本目录等信息
cal_std_mean.py------计算数据集的std与mean
Multitask_train.py----训练脚本
Multitask_predict-----预测脚本
dataset.py------------数据预处理
inceptionv4.py--------Inceptionv4模型API
来这里下载数据集，解压到datasets文件夹下，就可以执行python Multitask_train.py进行训练了

思路分享

迁移学习+多任务学习+模型融合
分别设计了两个多任务模型结构如下：
- 长度类别多输出模型：
- 领子类别多输出模型：
融合Inceptionv4与Inceptionresnetv2，分别进行预测再对结果做平均
对测试集样本进行增广

提高分数的技巧

shuffle很重要
多任务学习比单任务学习成绩提高1-2%
合适的图像增广，推荐使用imgaug，功能强大。dataset.py有详细代码，能提高2-3%
图像标准化，计算本数据集的std与mean，而不是直接用imagenet的std与mean，提高0.5-1%
增大图像输入尺寸可提高分类准确率，提高1-2%
finetune，算力允许的前提下finetune整个模型，对比只训练最后一层提高3-5%
使用Adam先快速收敛，再用SGD慢慢调，效率会比较高
模型融合，提高1-2%
对测试集进行增广，本例选择了镜像，加上旋转5、10、15度进行预测，最后再取平均，提高0.5-1%