时间： 2017.10 — 2017.12
运行环境： Python3.5、TensorFlow1.2、cuda 8.0 、cudnn 5.0、Linux14.0
- （1）训练集的制作： 30头猪的视频素材，对每个视频，每隔10帧取一帧图像保存；使用YOLOv2进行抠图，截取图像中猪的主体及猪脸图像 进行保存；最后制作成tfrecord格式的数据，这样训练数据集就完成了；训练数据集：猪主体数据：8700张（1000 * 800左右大小），猪脸数据：4100（500 * 500左右大小），一共12800张图像。
- （2）数据预处理： data argumentation。包括数据类型转换（float32）、在图像中按一定长宽比和面积比crop图像区域、随机左右翻转、随机颜色变换、扩大像素区间范围。
- （3）网络训练： 基础网络选择Inception-ResNet-v2 ，softmax交叉熵损失函数（要区别30头猪），batchsize是28，优化器选择adam，学习率0.01，训练80个epoch后，降为0.0001微调网络。在训练这一阶段，主要是调节网络优化器及参数，观察是否过拟合等，选择训练最好的模型。
- （4）模型集成、后处理： 网络预测一张图片，得到的是30个类别对于的概率值。一、选择几个训练较好的模型进行集成 ，最终取平均融合结果，也可以按一定权重对几个模型进行融合集成；二、尽量让预测的类别标签概率值不出现极端情况，也就是让网络不那么肯定是哪头猪（如：某头猪预测概率为0.99就不可取），从而换取整体logloss的降低，实验证明该方案在一定程度上缺失提升了排名。
