Happywhale -我的第一次Kaggle Solo经验分享，纯纯的都是经验，初学者友好~

比赛结束半个多月了，终于来做总结了，第一次SOLO参与这样的比赛，最终成绩是TOP15%，离铜牌区差的也不远了，可惜自己就差那一点时间，或者说就是因为自己前期犯了很多错以及毫无比赛经验，比赛里面太多高手了，也有很多乐于分享的人，学到了很多，于是做个总结，记录一下，也给需要的朋友分享。

下面分点给出一些个人认为对于深度学习竞赛有用的点（不以重要性排序）

1.GPU资源，没有这个寸步难行，更别提人家大佬的GPU比你的好，比你的多。但是这也不是我们放弃的理由，从初学者的角度来看，GPU资源足够很重要的一点是可以让你有更多的机会试错。在相同的知识水平下，训练一次模型一个小时跟训练一次十分钟对比，一个人做一次实验，另一个人已经做了六次，那你说，是谁获取的有用信息多呢？况且深度学习领域，即使你查了很多paper，知道了很多技巧，但就我个人经验来说，把他们带入你的代码中，并不能有提升，甚至有反作用，我不认为他们的东西就是假的，只是泛化性不太行吧哈哈，至于最终有没有用，还是得实验说话。（导师老是说深度学习里面做的这些没什么理论支撑，我也想有理论指导，可惜对我来说，大多数都是先做实验，获取到理想的结果之后，再来反推罢了）

2.写一个好的pipeline。pipeline就是指你的用来产生你的最后提交模型的项目代码，可以理解为生产模型的流水线（个人理解）。这点挺重要的，自己动手写一个好用的模板，不仅对本次比赛有效，以后的比赛也可以沿用这个模板，可以节约一些重复性工作的时间。本人就是因为对于创建一个竞赛pipeline不熟悉，所以最后写出来的代码存在很多bug，费尽心思调好了以后，cv和lb（即本地验证集得分与公共排行榜得分）gap特别大，于是调整了很久，浪费了大把时间。所以写一个好的训练代码模板吧，提前就准备好，比赛的时候就从容不迫了。我认为有以下几点在写训练代码时需要特别注意：①训练集验证集划分(通常使用sklearn的Kfold，SKfold，以及GKfold)②数据预处理与读取到输入模型之前不能出错③验证得分计算方式是否与比赛evaluate方式相同④模型复现性（注意固定好各种随机种子）。欢迎补充，另外就是要考虑好训练速度，这是竞赛的窍门之一。例如出现tensor在cpu和gpu来回反复搬这种情况，就会大大降低你的训练速度。具体要自己一步步看，是否有可以优化来提升训练速度的步骤。提出以下几点：

①使用albumentations而不是torchvision进行图像数据增强。

#使用范例
import albumentations as A
from albumentations.pytorch import ToTensorV2

data_transforms = {
    "train": A.Compose([
        A.Resize(224, 224, interpolation=cv2.INTER_NEAREST),
        A.HorizontalFlip(p=0.5),
        # A.VerticalFlip(p=0.5),
        # A.ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.05, rotate_limit=30, p=0.5),
        #         A.OneOf([
        #             A.GridDistortion(num_steps=5, distort_limit=0.05, p=1.0),
        # #             A.OpticalDistortion(distort_limit=0.05, shift_limit=0.05, p=1.0),
        #             A.ElasticTransform(alpha=1, sigma=50, alpha_affine=50, p=1.0)
        #         ], p=0.25),
        # A.CoarseDropout(max_holes=8, max_height=256 // 20, max_width=256 // 20,
        #                min_holes=5, fill_value=0, mask_fill_value=0, p=0.5),
        ToTensorV2()], p=1.0),

    "valid": A.Compose([
        A.Resize(224,224， interpolation=cv2.INTER_NEAREST),
        ToTensorV2()], p=1.0)
}

②读取大型的DataFrame时，pandas可能速度就有些慢，我们可以使用cudf，利用gpu加速。具体使用就不在这里介绍了，一般情况下瓶颈不在这里。

③使用混合精度训练。新的pytorch已经整合了混合精度训练，调用也非常方便。简单介绍一下原理，就是在前向传播过程中数据类型使用FP16而不是FP32，即浮点数位数只用16位（模型大多数层中），以微不足道的精度损失换取很快的训练速度，强烈推荐使用。

#伪代码，请不要直接带入，只是说明用法
from torch.cuda.amp import autocast as autocast
from torch.cuda.amp import GradScaler
...


#training for one epoch

scaler = GradScaler()#一定要搭配这个gradscaler使用

for step,data in dataloder:
    ...
    with autocast(enabled=True):#前向传播的每一步请用这个with把它装起来
         y_pred = model(images)
         loss = criterion(y_pred, masks)
#下面三个缺一不可
    scaler.scale(loss).backward()#这一句替代通常的loss.backward()
    scaler.step(optimizer)
    scaler.update()
   ...

 3.做好训练log。例如每次训练都要记录好你关心的变量状态，否则当你想要查看的时候你发现自己根本没记录。不管是print到屏幕还是写入图表或者文件都可以。另外可以像我这样，每次运行代码自动创建一个文件夹记录本次实验的数据与模型。

 4.做好断点继续训练模型的准备。保存模型的时候，不要光是torch.save(model)，最好是用字典记录好各种继续训练需要的变量，例如epoch,optimizer等等。关于如何保存最好的文章很多，不再一一介绍了。

5.复现性。众所周知，我们小学就学过，计算机里面的随机不是真随机，我们可以通过设定特殊的随机种子控制，就像你玩MC的地图种子一样。而且不止cuda有随机性，numpy，python都有，所以我们要统统设置好。贴出大佬的代码。（不同的随机种子，确实对训练的模型的最后效果有影响，一个好的种子确实能帮你战胜其他对手，但找个好种子谈何容易）

def set_seed(seed=42):
    '''Sets the seed of the entire notebook so results are the same every time we run.
    This is for REPRODUCIBILITY.'''
    np.random.seed(seed)
    random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    # When running on the CuDNN backend, two further options must be set
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False
    # Set a fixed value for the hash seed
    os.environ['PYTHONHASHSEED'] = str(seed)
    print('> SEEDING DONE')

 6.做好earlystopping。即在模型发生过拟合时即使停止训练。这里不再介绍过拟合的概念。方法很简单，即设置一个patience变量，当验证得分没有出现上升的情况连续发生patience个epoch的时候，break，停止训练。这个方法可以节省很多时间。

7.loss函数的选取。如果想要真正的理解自己在干什么，那不可避免的一件事就是去读懂你使用的loss函数，他到底是如何计算的，目标是什么，或者更进一步，对比他与其他loss函数的优缺点。否则你所做的事只是依葫芦画瓢。以下简单介绍以下本次比赛，被大量使用的Arcface Loss，也是我自己使用的，在本次比赛效果确实优于其他CEloss,三元组损失等等。

 上图中，他用简单的八个类别（个体，更多指人脸识别或者行人重识别ReID），二维的矩阵，做图，直观的看，交叉熵损失函数不能将个体之间的特征向量距离拉开，他们边界模糊，且同类之间的特征向量距离不够近，对于我们最后使用特征向量来识别测试集或者开发集个体是不利的。而ArcFace正好解决了这个问题。本篇论文提出的损失函数我认为很有价值，也很经得起考验。

来自于原论文，L1即交叉熵损失函数公式，L2是ArcFace损失函数，先抛开s＆m，很直观地，分子中，他把权重矩阵与i个体向量乘积换成了他们的夹角的余弦值，这意味着衡量个体是否相似的指标从欧式距离变成了角度。而s的作用是扩大这个超球面，m即增大了惩罚，保证个体之间的角度足够。（本人不专业，有错欢迎大佬指出）

感兴趣的同学可以查看下面链接深入学习：

ArcFace: Additive Angular Margin Loss for Deep Face Recognition

 8.有好的竞赛学习环境。怎么说呢，国内的这种社区环境对于Kaggle这种社区，真的是难以望其项背。对于我来说，如果遇到了自己查资料也难以短时间解决的问题，我大多数情况下会在Kaggle社区发言提问，大多数情况下也会获得来自竞赛头部大佬们的耐心解答。不要害羞提问，只要你的问题有意义。同时有没有靠谱的，志同道合的队友这也很重要，我本人也是自学罢了，然后孤独跑实验。希望今天也能有个靠谱的竞赛队伍，有这方面兴趣的朋友欢迎私信我~也不介意给大佬打杂哈哈

暂时也就想到这些了，Kaggle比赛很多也很有含金量，想成为这方面的佼佼者不是一天两天就行的，也不能指望有个老师能手把手带你做，老师都忙着做项目挣钱或者push学生发论文搞经费呢，如果你和我一样，想要在人工智能领域潜心学习，并且想要通过竞赛获取经验，建立自己的知识体系，我想遇到的困难不会少，大多数情况下都是铩羽而归，毕竟你挑战的人不是资源足就是肯吃苦。我也一样，只是个初学者，每天都在struggle，苦逼研一学生罢了，不过认定了这条路就要好好做，总比每天都浑浑噩噩摸鱼度过强吧哈哈。