阿里云天池TASK5

这次赛题学习的最后一个任务，是学校如何使用集成学习提高预测精度。知识点包括：集成学习方法，深度学习中的集成学习和结果后处理思路。（虽然我跑一次要一天，还不一定成功，但要坚持学习）
1、集成学习方法 常见的集成学习方法有堆叠，装袋和提升，同时这些集成学习方法与具体验证集划分联系紧密。
下面假设建造了10折交叉验证，训练得到10个CNN模型。
那么在10个CNN模型可以使用如下方式进行集成：
对预测的结果的概率值进行平均，然后解码为特定字符 对预测的字符进行投票，得到最终字符。 2、深度学习中的集成学习
辍学 在每个训练期间中，通过随机让其的一部分停止工作。同时在预测的过程中让所有的中断都其作用。
辍学经常出现在先有的CNN网络中，可以有效的缓解模型过拟合的情况，也可以在预测时增加模型的精度。 加入Dropout后的网络结构如下：
#定义模型 class SVHN_Model1(nn.model):     def __init__(self):         super(SVHN_Model1, self).__init__()

阿里云天池TASK5最先出现在Python成神之路。