所用思路和上一個差不多，本篇基於天池論壇的這篇文章：Keras多分類聯合訓練+歐式距離遷移對映 ，並做了自己的處理。線上精度0.0905。

• 沒有構造如 'non_1'的特徵，直接使用如原來的全0特徵表示，並對每類特徵除和
• 使用的vgg16

處理後的特徵檔案如下：

模型的關鍵之處在於：

該部分主要程式碼如下：

def normalline(data):

    for i,cs in enumerate(np.sum(data,axis=1).values):
        if cs!=0:
            data.iloc[i,:]=data.iloc[i,:]*1.0
 
/cs
    return data


def wordsnormal():

    words=pd.read_csv(r"D:\TianChi\201809ZSL\DatasetA_train_20180813\attributes_per_class.txt", header=None, sep='\t')

    labels=np.array(words.iloc[:,0]).reshape(-1,1)

    dentype=words.iloc[:,1:7]
    dentype=normalline(dentype)

    dencolor = words.iloc[:, 7
 
:15]
    dencolor=normalline(dencolor)

    denhas = words.iloc[:, 15:19]
    denhas = normalline(denhas)

    denfor=words.iloc[:, 19:25]
    denfor = normalline(denfor)

    words=pd.DataFrame(np.concatenate((labels,dentype,dencolor,denhas,denfor),axis=1))

    words.to_csv("../data/attributes_per_class_norm.csv"
 
,header=None,sep='\t',index=None)

可以從如下思路改進：

• 目前基於vgg16模型，不符合賽題要求，而且賽題圖片是64x64的，模型提取圖片特徵的能力也有限。所以可以構建更復雜的單網路，進而做圖片特徵的merge等，從而提取更好的圖片特徵
• 在圖片特徵提取這一環，做圖片的訓練集和驗證集，似乎驗證集的結果並不好，如果打標籤質量不好，是否可以考慮課程學習
• 樣本屬性的不同的預處理（歸一化、標準化），或者如文中的分批
• 多種對映方式組合，文中僅僅基於神經網路，可以考慮將圖片特徵、屬性特徵提出從而構建不同的對映