集，要不咱们直接用前两天刚跑完的那个五千分类的通用预训练模型，来预测一下这数据集？”
“看看现成的模型，在这五万张验证集上效果咋样。”
楚一航一听，直接竖起了大拇指。
“你小子真是个机灵鬼，其实我刚才也正有此意。”
“现成的大模型不用白不用，说干就干！”
郭长征也点头同意了这个提议。
“跑一次看看，正好摸摸这个比赛数据集的特征分布底细。”
这里需要给非专业人士解释一下。
为什么用训练了五千个类别的通用模型，可以直接去预测只有一千个类别的子数据集？
因为在深度学习中，用海量数据喂出来的模型“见多识广”。
它在底层网络中已经学会了提取通用的图像特征，比如轮廓、纹理、色彩组合。
这种通用的特征提取能力，完全可以直接套用到子集数据的分类任务上。
但直接这么做，预测精度必然会存在误差，成绩会差一些。
原因很简单，模型最终输出的是五千个选项的概率。
在面对这五万张只有一千种标准答案的验证图片时，通用模型依然会按照五千个类别的范围去预测。
一旦它把图片分类成了比赛规定的一千个类别之外的选项，按照赛制就会被判定为错误。
它还需要时间去针对这一千个特定的类别重新训练，才能做到精准得分。
楚一航没管那么多，直接在终端里输入调用TensorFlow框架的命令。
回车键敲下。
隔壁机房的散热风扇转速瞬间飙升，噪音穿透了玻璃门。
屏幕上开始滚动运行日志。
钟柏盯着显存占用率的监控面板。
“集群的显存占用直接拉满了。”
“九章平台对AMD显卡的调度策略真够暴力的。”
叶言看着进度条。
“处理五万张图片，传统算法少说得跑个两三天。”
“我看这进度，估计一顿饭的功夫就能出结果。”
楚一航往后靠在椅背上。
“这就叫算力碾压。”
十分钟过去。
终端屏幕上的滚动日志停了下来。
最后一行输出了一串统计数据。
钟柏揉了揉眼睛，指着屏幕上的数字。
“我是不是看花眼了？”
叶言凑过去，一个字符一个字符地念出来。
“Top-1准确率：40.2%。”
“Top-5准确率：80.5%。”
楚一航
本章未完，请点击下一页继续阅读！