模型调用基于pretrainedmodels 和 effcientnet，模型与其详细信息可在链接中看到；
单模表现(A榜)： effcientnet-b4:0.547 senet154: 0.551(这个模型比较大，量力而行) inceptionresnetv2: 0.522
(TTA为左右翻转输出取平均)
se154+effb4 ensemble 0.571
opencv-python
torchsummary
scikit-learn==0.21.2
albumentations==0.3.3
pytorch>=1.0.0
pretrainedmodels==0.7.4
efficientnet-pytorch==0.4.0
单标签分类，数据集经过处理，对于多个类别的图片，使用总体数量最多的作为其类别。
数据集索引为Json格式，位于./data/dataset_k1.json。其中4/5用于训练，1/5用于验证。可以根据json自己划分一下。
测试数据集索引为./data/dataset_test.json
训练参数在main.py中查看，都有相关解释；
部分重要的参数在untils.py中，可以检查一下，写得比较粗糙难免有一些错误：创建优化器build_optimizer()、初始化模型build_cls_model()(支持修改relu激活函数为mish,但不建议使用，显存会炸)、损失函数build_loss_function()(单标签就用ce和smooth感觉就足够了)
测试部分main.py的test(option_path,test_image_folder, save_path,model_path,test_info_path)
option_path：训练过程保存了训练参数的json文件，就在模型保存的目录下。
test_image_folder：测试图片文件夹。
save_path：保存predictions的位置，以dict形式保存，{'IMAGE_NAME':[OUTPUT_LIST]},输出的list是最后fc的输出，长度为类别数，这样保存是为了方便融模型，至于怎么融可自由发挥。
model_path：模型位置。多gpu保存的在resum_load()里面改参数。
初始学习率寻找：参考fastai的lr_finder
import matplotlib.pyplot as plt
trainer = MultiClsTrainer(opt)
logs = trainer.lr_finder()
plt.plot(logs['lr'][10:-5],logs['loss'][10:-5])
预裁剪：对于过长的图片，裁剪掉下方的一部分，再进行训练。
split_weights：权重衰减不优化再bias上，原理实验等谷歌。
数据简单EDA:位于tools文件夹