這一周，主要是將im2txt放在比賽的服務(wù)器跑了起來(lái)，然后學(xué)習(xí)了使用RNN進(jìn)行分類。

將im2txt模型跑起來(lái)

首先

將上周的一些錯(cuò)誤解決了，然后放在本地能跑起來(lái)了。至于究竟解決了什么問(wèn)題，現(xiàn)在已經(jīng)忘記了。

然后，將代碼放到比賽的服務(wù)器跑起來(lái)

全球AI挑戰(zhàn)賽這個(gè)提供的服務(wù)器是UCLOUD提供的GPU服務(wù)器。它是通過(guò)docker來(lái)進(jìn)行部署的，流程是：在本地調(diào)試好代碼，然后用docker打一個(gè)本地的鏡像，然后上傳到ucloud的服務(wù)器；之后，在ucloud后臺(tái)創(chuàng)建一個(gè)訓(xùn)練任務(wù)，設(shè)置相關(guān)配置就可以 訓(xùn)練了。在后來(lái)的訓(xùn)練的時(shí)候，就會(huì)輕松很多，只需要打包上傳，然后創(chuàng)建任務(wù)。整個(gè)流程有5個(gè)文檔，蠻復(fù)雜的（可能是第一次接觸使用Docker打包上傳代碼的原因）。

最后，我成功了。但是，把代碼放上面去跑的時(shí)候，發(fā)現(xiàn)損失降的沒有那么快。跑了12個(gè)小時(shí)，損失還在1.0左右，并且bleu score在13分左右，沒有上升的趨勢(shì)。后來(lái)，我將batch_size調(diào)到32，提升訓(xùn)練任務(wù)，看效果會(huì)快很多。

RNN進(jìn)行分類

這個(gè)是因?yàn)槲倚瞧谖宓臅r(shí)候，想自己寫個(gè)分類器，居然發(fā)現(xiàn)不會(huì)寫。寫完了之后，跑起來(lái)的時(shí)候，居然又發(fā)現(xiàn)效果奇差。好吧，看來(lái)還不會(huì)。然后回去看了看優(yōu)達(dá)學(xué)城的RNN情緒分類，按照上面的教程，一步一步跑了一遍。整個(gè)流程沒有什么難點(diǎn)，就是將內(nèi)容傳給RNN，然后使用RNN最后輸出一步輸出的結(jié)果來(lái)判斷是positive還是negative。需要注意的是，拿取的是output最后的time step的結(jié)果。中途出現(xiàn)了幾個(gè)問(wèn)題，不過(guò)有代碼參考，很快搞定，現(xiàn)在就讓它自己電腦上跑。

總結(jié)與計(jì)劃

總結(jié)：上周跑通了模型，并放在了服務(wù)器上跑，只是瞧了一眼seq2seq的代碼，沒有仔細(xì)去看。還有，發(fā)現(xiàn)自己還是對(duì)tensorflow一些東西不會(huì)用，感覺很可能是因?yàn)槔碚撝R(shí)的缺乏。

計(jì)劃：

• 調(diào)整比賽模型，爭(zhēng)取這一周訓(xùn)練出的模型能靠點(diǎn)譜。
• 吳恩達(dá)的深度學(xué)習(xí)課程