一.从ID名字上来看，应该就可以了解到我参加比赛确实是抱着学习的目的。从另外一个角度可以看出，其实我非常菜，非常普通。恳请大家相信我这一点，换一场不同类型的深度学习比赛，我应该又会回到我应该存在的位置（很可能进不了复赛）。

二.做梦都不敢想自己能够有机会做周星星分享。在此，非常感激郭大在去年百忙之中对我的无私指导，让我得以入门学习这门学科。也非常感激在学习的路上，其他大佬给我非常多的分享和指导（比如chizhu，stary等等,在此限于篇幅不一一列举，是您们的无私指导让我学习到了很多知识）。

三.我的分享点基本上前几页的大佬都可以忽略（因为群里大佬都分享的差不多了），恳请原谅我只能以一个普通人的视角来分享一下：普通人如何入门一场深度学习的比赛（因为我也是大家中的一员，我在去年也经历了推荐比赛中连门都找不到的感觉）：

1.将比赛看做一场学习，尽可能的思考自己能够获取到的学习点并尽量学以致用。多print一下实例结果看看输入输出是什么？想一想别人为何要这么做（我个人的浅见，神经网络的输入，在具体的很多操作上，仍然是必须合理才能上分）。

2.虽然神经网络可解释性稍微弱一些，但是，我们将神经网络剥离开，仍然会发现一些从我们入门决策树开始的共性，比如，加入同一个特征不同的维度信息，可能仍然是有效的。

3.如果对论文各方面都不是很快的消化（其实就是说我自己），以这场比赛为例，我们仍然可以做一些数据分析来指导我们的决策，比如，您可以看到tilte、ocr、asr合并起来的信息长度的中位数、0.75，0.9的覆盖比率长度分别是多少。那您truncate的时候就要仔细思考会导致哪些信息会被截断，你甚至还可以去理解这三个信息谁更重要。你的截断方法是不是会把重要的信息反而丢掉了更多。

4.注意您的skf划分情况是否得到正确执行，您可以在Dataset中写入一个id信息的划分结果，在后续执行程序的时候，请尝试print一部分id对比，结合集合来确保您的划分得到正确的执行。将划分后的训练集和测试集做一个占比对比，确保您的划分是真的做到了分层抽样。

5.建议可以将模型的训练结果全部存入一个日志文件中，这样方便你时刻回顾你之前做了什么，结果如何。就可以简单的记录您的问题。这非常方便您时刻回顾您上一次做了什么，避免做重复的实验。

6.最好将您的超参数都在日志中有所体现，logging包可以很方便的帮助您。因为很可能您调整了某个参数但是你忘记了导致程序跳水了，你可以复盘去查找问题。

7.要尝试做多折交叉训练，可以尝试如下的配置，可能会让您更加轻松。



8.请务必保证你的随机数都在固定的执行，比赛的前面大半部分时间你都需要做很多对比试验，那么可复现的方案将显得尤为重要。

9.预训练数据可能在某些同学的硬件上，变得难以读取，可以尝试将所有的40GB的数据，先拆分为20个左右的pickles，这样的话，当数据在Dataset中运行的时候，由于python的内存回收机制，可以读取一部分，处理一部分，回收一部分，让内存不会很容易溢出。

10.如果很容易忘记某些自己的模型或者数据上的修改尝试，可以在一个路径下新建不同的执行程序，写好自己的readme.md做记录，使用shell来切换不同的程序，保证大的修改能够很容易的切换，又不会搞坏自己辛辛苦苦做的最好的部分。

11.请做好您的尝试的笔记，尽量的细致，方便您时刻知道哪些有效，哪些无效。如果没有从我的分享读到有价值的内容或我描述有误，也恳请原谅，确实我也还需要好好学习。

12.我的结果是融合了10个基础模型的结果，因此并不足以说明什么问题。再次感谢学习的路上大家给我的真挚的无私的帮助（也厚着脸皮感谢我的家人的支持）。我也真挚的祝愿大家能够从比赛中学习到知识，如果这次没有取得好的成绩的我们，学习到一些知识也是值得的。顺便也希望大家注意身体健康，确实比赛竞争很激烈。