代码地址：
https://www.kaggle.com/kiranchaudharyy/few-best-public-notebook-and-dataset-ensemble
代码技术：
1.sys.append.path()
将自定义模块路径添加进python解析器法眼皮子底下。
2.device = torch.device(‘cuda’ if torch.cuda.is_available() else ‘cpu’)学习人家代码的写法，非常简洁。
3.albumentations 数据增强工具
https://zhuanlan.zhihu.com/p/107399127/
https://albumentations.ai/docs/api_reference/pytorch/transforms/#albumentations.pytorch.transforms.ToTensorV2
4.PyTorch的自动混合精度（AMP）技术
5.timm库：
https://blog.csdn.net/fengdu78/article/details/114275137
6
class TestDataset(Dataset):
def __init__(self, df, transform=None):
self.df = df
self.file_names = df['StudyInstanceUID'].values
self.transform = transform
def __len__(self):
return len(self.df)
def __getitem__(self, idx):
file_name = self.file_names[idx]
file_path = f'{TEST_PATH}/{file_name}.jpg'
image = cv2.imread(file_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
if self.transform:
augmented = self.transform(image=image)
image = augmented['image']
return image
自定义dataset，基本技能。
getitem 顾名思义输入一个idx,返回图片，以numpy格式。
7self.model.global_pool = nn.Identity()
这句话恐怕可以理解成废掉原来模型的全局池化：
self.model.global_pool = nn.Identity()
self.model.fc = nn.Identity()
self.pooling = nn.AdaptiveAvgPool2d(1)
self.fc = nn.Linear(n_features, 11)
思路
一开始确定batch size 以及存放测试集图片的数据. 利用sample 获得这些图片的名称.
后面是直接利用这个来生成dataset.
然后自定义了这个测试用的这个数据集的类
之后采用了一个数据增强工具，然后用工具里头的一些函数来做的一个数据的格式和增强一个函数get transform
：在这个函数里，我们重新定义了它的尺寸，做了归一化，以及把它变成torch tensor格式。
然后定义了三个模型类:都是是resnet这个家族的. 其中有一个基于senet变种。
模型类的初始化：
创造模型，获取全连接层的输出特征的这个维数，把原来模型里的池化层废掉，然后把全连接也废掉，然后定义我们自己的池化层和全连接层
模型类的前向传播的自定义：
首先取出这个一共有多少个输入数据，
然后将这个输入输入输入这个模型里，会得到这个特征，
特征进行池化，我们自定义的池化。
池化完的的特征送到全连接层里，得到输出。
在第七行中，我们定义了一个推断的函数，
这个推断的时候有很多模型，我们对模型进行循环，然后在每个模型当中，我们会对这个图片进行翻转，然后又形成一个内循环。
这里有一个疑问，后面有很多不同尺寸的图片的输入，模型竟然可以直接允许输入（尺寸兼容）。