@yururoi さんの[パレットの可視化](https://www.guruguru.science/competitions/16/discussions/0cf48a1f-59fd-45b1-880a-cf9fc54d6912/)を参考にして、パレットの画像からlikesを直接予測できないか試みてみました。自分が書いたコードは[pl-1.py](https://storage.guruguru.science/uploads/5ce6fb07_fcc1_454c_a0c1_cf00f857c02a/pl-1.py)です。 `パレットが存在するデータ数 / 全データの数`がtrainは`12007 / 12026`、testは`11988 / 12008`なので、99.8&以上はカバーはできています。今回の学習では存在するもののみで学習させました。 RMSLEが約1.33なので良い結果とは言えませんが、 - ほかの特徴量も追加してみる - 画像をぼかしてみる - モデルを変えてみるというようなことをしたらもっと良くなると思います。 configは下の通りです。 ```yaml split: name: "KFold" param: { "n_splits": 4, "shuffle": True, "random_state": 1212 } model: model_name: "tf_efficientnet_b0_ns" size: 224 # 480 batch_size: 64 pretrained: true epochs: 5 loss: name: "RMSELoss" param: {} optimizer: name: "Adam" param: { "lr": 5e-5, "weight_decay": 1e-6, "amsgrad": False } scheduler: name: "CosineAnnealingLR" param: { "T_max": 6, "eta_min": 0, "last_epoch": -1 } ``` 実行結果だけ貼っておきます ``` GPU available: True, used: True TPU available: None, using: 0 TPU cores Using native 16bit precision. | Name | Type | Params ------------------------------------------- 0 | model | EfficientNet | 4.0 M 1 | criterion | RMSELoss | 0 2 | sigmoid | Sigmoid | 0 ------------------------------------------- 4.0 M Trainable params 0 Non-trainable params 4.0 M Total params 16.035 Total estimated model params size (MB) Epoch 0: 75%|███████▍ | 140/187 [00:22<00:07, 6.35it/s, loss=1.28, v_num=10, valid_loss=2.440] Validating: 0it [00:00, ?it/s] Validating: 0%| | 0/47 [00:00

forum コメント・0件

コメント・0件