寫在前面的話
在寫這篇文章的時候，我其實已經把整個專案的流程都過完了，包括pytorch對於模型的訓練等等，所以這篇題目為賽題理解但實際也會說到後面的內容，不光是題目所說的賽題理解這麼簡單
總之，請你按整個專案的流程去走，去了解整個專案的背景、資料和目的，以及要求的環境等等，然後再針對目標去一步步的完善**
按照建模流程，整個過程可以分為：賽題理解，資料預處理，建立模型，模型優化，模型整合五個部分
ok，準備開始
賽題理解
此次的賽題是針對計算機視覺的乙個入門練習，對於不懂計算機視覺的小白（比如我）難度不小，但是因為建模的流程差別不大，所以整個過程是既熟悉又陌生
另外，本次比賽是通過pytorch下實現的，所以可能也需要去稍微補一補pytorch的內容，比如pytorch下建模的流程，相應的神經網路相關的方法概念等等
賽題目標：
通過對訓練集中的訓練，使得模型能夠盡可能多的識別測試集中的
所以天池的評測指標是： sco
re=編
碼識別正
確的數量
測試集圖
片數
量score=\frac
score=
測試集圖
片數量編
碼識別正
確的數量
賽題資料：
本次賽題提供了訓練集、驗證集和測試集，其中訓練集資料報括3w張，驗證集資料報括1w張，測試集包括4w張片。
field
description
top左上角座標x
height
字元高度
left
左上角最表y
width
字元寬度
label
字元編碼
針對乙個具體的影象，通過它的位置資訊確定字元所在的區域並擷取出來乙個更小的影象。具體的位置引數在影象中是這樣的：
工具與平台
針對影象的載入、處理等需要安裝影象處理框架，例如pillow、opencv等實現影象的裁剪、旋轉、變換等預處理
通過pytorch框架構建cnn模型，所以需要預先安裝pytorch
另外涉及pytorch的相關使用，還需要了解pytorch的相關操作，例如張量的相關操作，選擇gpu或者cpu訓練模型等等
# 安裝opencv
pip install opencv-python
# 安裝pytorch
pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f
天池 Datawhale 街景字元編碼識別
天池 datawhale 街景字元編碼識別 task1 賽題理解 需要選手 真實場景下的字元識別，這是乙個典型的字元識別問題 分類問題 資料集 自google街景影象中的門牌號資料集 the street view house numbers dataset,svhn 並根據一定方式取樣得到比賽資料...
天池 街景字元編碼識別 模型整合
結果後處理 在機器學習中的整合學習可以在一定程度上提高 精度，常見的整合學習方法有stacking bagging和boosting，同時這些整合學習方法與具體驗證集劃分聯絡緊密。由於深度學習模型一般需要較長的訓練週期，如果硬體裝置不允許建議選取留出法，如果需要追求精度可以使用交叉驗證的方法。那麼在...
天池 街景字元編碼識別 賽題理解
評測指標 結果提交 賽題思路分析 資料集介紹 賽題資料 自google街景影象中的門牌號資料集 the street view house numbers dataset,svhn 並根據一定方式取樣得到比賽資料集。訓練集資料報括3w張 驗證集資料報括1w張 每張 包括顏色影象和對應的編碼類別和具體...