最近，HackerEarth举办的一项初学者深度学习挑战赛，落幕了。
比赛内容是，识别野生动物。
来自印度的本科生Abhishek Sharma登上了冠军宝座。
于是，他写了写自己的心得，给小伙伴们参考：
比赛数据集里有19,000张图，包含30个不同物种的野生动物。
动物的照片是在真实场景里拍摄的，姿势不同，背景复杂，光线、天气条件、视角、遮挡情况也不同。
比起这些容易造成混淆的因素，有些不同的物种，看上去并没有那么大的差别。
哪个类别的预测概率最高，图像就分给哪个物种。
评估指标：分类器的logloss。
拿到任务之后，要做的第一件事就是去看，以前有没有类似的问题，前人方法能不能借鉴。
少年发现，比赛数据集和ImageNet有不少交集。
那么，怎样利用它们之间的异同来改进现有的方法？
首先，本次任务里的未知 (Unknown) ，和ImageNet是非常相似的。
所以，可以用迁移学习，拿CNN做初始化或者做固定特征提取器。
一个区别在于图像尺寸，ImageNet里面的图像都是224 x 224像素，而动物识别任务里，图像要更大一些。
因此，要改进算法来处理大图。
熟悉问题之后，就先搭建一个简单的pipeline：从加载数据集，到训练，到验证。可以迭代几次。
19,000张图像里面，有13,000张属于训练集，余下6,000张是测试集。
数据集并不是很大，为了避免过拟合，少年做了以下几种尝试：
就是通过旋转、翻转、裁剪等这样简单的操作，把一幅图变成几幅。
这里，用了transforms_side_on随机旋转，翻转，还调了光。
深度学习网络里，最重要的超参数就是学习率。
程序猿用的是lr_find的方法，是fastai库里面提供的，用来找最优值。
这个方法是Leslie Smith提出的：刚开始训练的时候，学习率设得很低，然后给每个Batch的学习率做指数增长。
训练用的图像尺寸是324 x 324，因为这些图像在验证集上表现比较好。
少年也尝试了不同的批尺寸 (Batch Size)，试到32的时候，GPU存储到了上限。然后，他就为学习率做了相应的微调。
用小图训练几个Epoch之后，就可以换大图 (450 x 450) 再持续训练几个Epoch。
这也是防止过拟合的一种不错的方式，在少年的logloss身上，产生了明显疗效。
少年训练了各种模型，比如resnet50，resnext101_64，inception_4，restnet152以及restnext101。然后，把它们给出的结果用加权平均整合到一起，就获得了榜首的高分。
但是，在把各种网络结合在一起的时候，这些统计就减分了。
二是，在瓶颈特征 (Bottleneck Features)上训练逻辑回归 (Logistic Regression) 。瓶颈特征，是进入全连接层之前，卷积层输出的最后结果。
这个方法，在Kaggle狗狗品种识别挑战赛里，效果很好，但在这里就不太行。
印度少年说，大家一定要尝试从各种不同的角度来看问题，不要放弃。
HackerEarth是一个编程技能的线上评测系统，也举办过许多编程比赛。
虽然，有些比赛奖金并不丰厚。不过，据说比赛成绩好的选手可能获得名企的推荐资格。