[深度学习编程细节-1]：Deterministic Model[确定性模型]

本专题会分享一些我自己的研究，竞赛经验和习惯，只注重于提升模型的准确率， 源自个人的OneNote笔记，没有一些方便阅读的优化，每章内容较少，争取每日一更。-19.12.05

更新keras(tensorflow)的随机种子固定代码
更新排版
-19.12.06

适用于：

1. 利用DL技术做CV方向研究的同学
2. 想打kaggle，天池之类比赛的同学
3. 愿意直接看图片和英语笔记的同学 : )

本系列分享的优点：

1. 少走弯路，节约时间。研究在于谁idea实现的又快又准；错误的参数会导致在浪费几天甚至几星期的时间；好的编程习惯能加快整个工作流程的速度。

2. 时效性与预防bug。 网上很多问题的回答年限较久而且众说纷纭，本系列保证分享的代码及解决方案都是我本人亲自跑过，成功实现的；与其在运行时遇到bug, 之后查找解决方案，不如一开始就知道什么bug可能发生。

3. 细节。 讲算法原理的文章数不胜数，不同算法跑出来之后的性能到底如何；针对不同的任务，哪种优化器最为合适；如何处理数据获得最大的精度提升？

4. 及时回复。 如果对本系列分享中哪部分内容有疑问，或者觉得分享有误，欢迎评论或私信！

Deterministic Model[确定性模型]

第一天分享模型的可复现性，比赛和研究的第一步也是最重要的一步。

例1：

• 最初打kaggle的时候，一份代码不做任何改动，跑三次的结果分别是98.220%，98.620%，98.400%。
• 我将模型的从常规模型换成Dense连接模型，跑一次结果是98.420%。
• 新模型的性能比旧模型好还是坏？

例2：

• 模型不做数据增强效果是98.400%
• 加了旋转，偏移之后效果是98.380%， 两次实验都没固定随机数。
• 得到一次结果要15分钟，半小时过去了，对这个问题我们到底要不要数据增强？

解决方案：固定随机种子，流程及注意事项如下：

本日pdf链接：1drv.ms/b/s!AmvJMVS…