在初赛时使用的Hourglass网络，在初赛第二轮的时候机器的水泵烧了。。到复赛快结束才修好。。所以复赛基本没有做改进。
网络结构参考我之前写的文章《Stacked Hourglass Networks》
一开始尝试的是对每个style训练一个模型，得分8.X%，效果并不是很好，后面尝试了全部style一起训练，在loss上稍作修改，对于keypoint不存在的通道，不传递loss——即乘以一个calculable。
pred = net(inputs, landmark_len, nStack=nstack)
outputs = tf.get_collection('heatmaps')
c_loss = tf.reduce_mean(tf.stack([tf.nn.l2_loss(calculable*(heatmap - o)) for o in outputs]))data augment使用了随机缩放，旋转和翻转，另外生成heatmap的时候发现不归一到[0-1]（即不除以255），效果更好，虽然训练loss在几十W上下波动。
预测时也使用了data augment，即每张图在[0.8, 0.9, 1.0, 1.1, 1.2]的尺度，和[-5, 0, 5]的旋转角度下预测，将得到的heatmap叠加，取最大值。
训练的时候遇到一个很玄学的问题，lr取太小会导致nan（小于1e-5)。 所以我一开始用1e-3来训练。
具体代码见GitHub。
18.7.5更新：Fashion AI大赛答辩会