[PYTHON] Résumé de la méthode du noyau de Kaggle [Image]
Cliquez ici pour l'article précédent Kaggle Kernel Summary [Table Time Series Data]
Dans cet article, j'aimerais savoir quelque chose comme une norme pour chaque type de données dans le concours Kaggle, y compris moi-même! J'écrirai pour des gens comme. De plus, je pense que ce serait bien si cela pouvait être un indice lorsque la précision ne ressort pas quelle que soit la concurrence.
Cette fois, nous examinerons différents noyaux, pas seulement des compétitions. En matière de visualisation dans le cas d'images,
- Visualisation couche par couche CNN --Visualisation de l'apport d'image --Visualisation (affichage) de l'image de l'ensemble de données elle-même
C'est comme ça? (S'il y a autre chose, merci de me le faire savoir dans les commentaires) Comparé à d'autres types de données, il semble que la largeur soit étroite, donc cette fois nous allons nous concentrer sur la méthode.
Introduction to CNN Keras - 0.997 (top 6%)
CNN ordinaire, l'architecture du modèle semble exquise
J'utilise LSTM-CNN
CNN Architectures : VGG, ResNet, Inception + TL
Transfer Learning est combiné à l'aide de VGG16, VGG19, InceptionNet, Resnet, XceptionNet, etc.
How to choose CNN Architecture MNIST
J'essaye différentes architectures
Résumé
Je voudrais le mettre à jour de temps en temps. Je vous souhaite une bonne année!
Recommended Posts