PaddlePaddle技术分享

这是参加了深度学习七天打卡训练营之后的技术心得分享，对于刚刚入门的我有很多感触，也有了水平的提升，还获得了深度学习图书。

开始接触PaddlePaddle是在上课时老师推荐的，并且还需要用PaddlePaddle复现一篇与研究方向相关的论文代码，我选择的是GAN相关论文，使用PaddlePaddle还不太熟练，但是经过7天的打卡训练，我快速了解了深度学习的整体流程，训练模型等等，期间也一直在做CycleGAN的代码复现，现在已经基本实现了论文的实验结果，算是一个好的开端，后续也会使用PaddedPaddle框架来做进一步的研究，修改网络结构和调参步骤都很清晰。

这7天学习了再本地安装框架，飞机识别，目标检测，用yolov3模型实现昆虫目标检测等等，提交作业也取得了不错的成绩，我很欣慰自己这几天的努力，很充实，每天为了模型能进一步完善，跑出更好的效果奋战到深夜。

关于技术有这些是值得分享给你们的：

（1）从卷积神经网络学习到：修改卷积核的个数，卷积核的大小，修改网络层数，又该模型的学习率等等都会让网络达到更好的效果。做了入门的手写数字识别。

（2）从目标检测学习到：使用yolov3等模型。做了水果检测，昆虫检测等等，效果都还不错。

（3）从NLP情感分析学习到：使用ernie、ernie-tiny等模型。我后续还会进一步参加NLP训练营来学习。

下面是我七天训练营的打卡记录：

Day1：模型预测准确率96%，可近一步优化，整体预测正确。

Day2：第二次的飞机识别优化是我认为这几天最难的一次作业。对于32*32的图片，本就不清晰，训练率由于数据集多得到的训练效果很不错，近100%，但是预测率确不到80%，通过上面提及的多种方式调优结果也很难有大的提升，所以优化模型仍然是一个很重要的问题。我最后也只调到78%，等着后面官方出直播课程了。

Day3：目标检测中水果检测，可以识别多个不同类别。识别效果还不错，但是训练模型还可以进一步优化。

Day4：在情感分析中，对ernie、ernie_tiny、bert等模型的使用有了初步了解，模型的识别结果也不错，这是第一次涉及NLP范畴，后续会进一步学习。

Day5：PaddlePaddle CTR预估实战，提升模型的准确率，从初始的50%替身到了83%，后续需要在数据集的多少--使用全集、网络层数、以及学习率上下功夫。下面是最后的效果。

Day6：是考试，最后一课，也是多目标检测--昆虫检测，这里也是使用yolov3模型，最后mAP=99.85，也是效果非常好了。

整体来说，通过七天训练，对PaddlePaddle框架的使用有了一定了解，整体的消化情况也不错，后续会通过学习PaddlePaddle框架应用到GAN和NLP的实验中。