吴恩达CNN学习笔记之两种benchmark比赛获胜的技巧

在比赛时会使用到两种增加识别率的方法：

• 方法一：预先训练3-15个神经网络，将图片作为输入送到这几个神经网络中，再取它们输出的平均值用于预测
• 方法二：训练出1个神经网络，但在图片输入时，将图片进行不同的操作，比如裁剪、镜像等，变成10-crop（10张不同的图片），依次送入这个神经网络中，最后取它们输出的平均值。

自己的理解：

• 方法一：实际上是训练了有不同功能倾向的神经网络，有些可能侧重于对平移，有些可能侧重于镜像等，所以分别送入不同网络，最后取平均值就代表对这张图片不同侧重点的综合评估，可以减少犯错率。
• 方法二：只训练了一个神经网络，那么这个神经网络肯定有某一方面的侧重点（可以理解为偏科），现在改变的是输入，进行各种裁剪、镜像之类的操作，那么总有一个是刚好相匹配于这个神经网络的，所以输出平均值，也相当于在综合评估这张图片。
• 总结：其实一、二两种做法思路是一样的，都是减少神经网络偏科带来的误判，只不过一个是从构建多种类型神经网络出发，使其整体显现全能。另一个是让测试图片本身涵盖多种情况出发。
• 缺点：这两种方法都是在benchmark比赛中用于提高正确率，但它们都没有用到实际项目中去，因为需要耗费更大的计算成本。

还不会用专业软件画图，自己在草稿本画的图