零基础学cv——街景字符识别——task5，模型集成

学习目标

学会集成学习方法，了解基本的深度学习的集成学习

集成学习方法

集成学习也是提高模型的预测精度的一种方法。常见的集成学习方法有Stacking,Bagging,Boosting，这些集成学习方法与具体的验证集的划分是紧密联系的。

个人理解：集成学习的概念就是通过将同样一份样本集复制多份，每份分割成不同训练集和不同验证集的样本。然后每份单独训练一个神经网络。最后用该多个神经网络的预测值求平均，来得到最终的结果。

深度学习中的集成学习方法

Dropout

这个是训练深度神经网络的时候的一种技巧，每次因为随机失活的结点是不同的，所以相当于训练了多个网络，最后测试的结果是多个网络联合作用的结果。可以有效的避免过拟合，同时增加预测的精度。

TTA（Test Time Augmentation）

测试集数据增广，也是常用的集成学习技巧。在测试的时候对数据进行数据扩增并进行重复预测，最后去预测的平均值。

集成学习需要注意的地方

1. 集成学习只能在一定程度上提高精度(并不是灵丹妙药)。且训练的时候需要花费大量的时间。所以不建议一开始就使用集成学习，应该先提高单个模型的精度，再考虑使用集成学习。
2. 具体的集成学习方法需要与验证集划分方法结合，Dropout和TTA可以在所有场景下起作用。