语义分割 Kaggle 比赛项目实战：Carvana Image Masking Challenge

Kaggle 比赛的含金量都比较高，特别是通过Public和Private评分的方法，能够对训模型结果得到直观评价。本课程代码，在“Carvana Image Masking Challenge”项目的private、public榜的成绩分别为 0.99528和0.99546分（满分1.0分）

研究历史比赛非常重要的一点是从中获得解析获得成熟经验，本场Chat基于 Pytorch和fastai 实现语义分割的典型架构，并进一步扩展到环境构建、数据集准备、参数调节和运行部署等方面内容。

我选择fastai，就是看重其上手容易、效果非凡。特别是基于迁移学习的思想，能够在多种情况下获得"state of the art"的效果，不仅对于打比赛，对于日常工作应用也是非常适合的。

在本场 Chat 中，会讲到如下内容：

1. 基于 Unet 语义分割的基本原理、环境构建、参数调节等
2. fastai环境构建、数据集准备、参数调节和运行部署
3. Kaggle调参涨分的一些细节。

本文适合具备 Pytorch相关基础，对图像处理感兴趣的人士。学完本文，可以获得基于 Pytorch 和 fastai参加Kaggle比赛、解决实际问题的经验方法。