Деадлайны/задачи что озвучивались к 24.06(суббота):
- Скачать данные с kaggle или s3
- Проанализировать данные - распределения по классам, размеры изображений.
- Сделать простейший data handler на python который сможет привести изображения к одному размеру(путем масштабирования и/или обрезки) и сделать их удобными для обучения(one hot classes например)
- разбиваем данные на train/validation
- Берем какое-то простейшее решение и пытаемся потренировать и посмотреть какая будет точность. Так у нас будет baseline c чем дальше производить сравнения.
к 27.06(вторник):
- Перевести тренировку на нейронные сети(простейшая fully connected на несколько слоев)
- Начать тренировать батчами
- Если осталось время - попытаться разобраться что такое сверточные слои и начать использовать их
к 01.07(суббота):
- Сделать свою сеть уже на сверточных слоях
- Попробовать повысить точность при помощи различных вариантов, например:
- BatchNormalization
- Dropout
- Resudial connections
- Data aurmentation
- Попробуйте хоть несколько подходов что бы понять как они влияют на вашуархитектуру и подход
к 04.07(вторник):
- С субботы у вас уже должна быть своя сеть на свертках
- Все же попробуйте заимплементить все то, о чем рассказывал Саша Обедников
- Получив какой-то нормальный прогресс и видя что дальше сопротивление бесполезно - начните учить transfer learning
- Отфайнтюньте transfer learning различными вариантами
к 08.07 суббота:
- Постараться довести свою сетку до 30% на leader board
- У кого больше 30% - начинайте делать transfer learning
- У кого уже transfer learning - попробуйте набрать побольше) Или начинайте читать что нить про weight pruning, но думаю лучше еще над точностью поработать Другое:
- Начинайте вести таблицу вида "что поменял в сети/параметрах" - что поменялось в train/val/test score(test - если делали submit)
- Начните объединятся в группы. У кого есть GPU и кто готов поделиться - обозначьте себя плз в чате и возьмите кого-нить к себе если есть возможность
- Все кто не сможет самоорганизоваться к субботе попробуем доорганизовать