李宏毅機器學習hw3 Boss baseline的實現策略和關鍵點如下：

基線實現層次：

初始簡單基線：準確率為0.63733，基于理解問題后的簡單模型構建。

中等基線：準確率為0.70000，引入了圖像數據增強策略，顯著提升識別性能。

訓練優化策略：

調整DataLoader并發數量：Train用4~8個并發，persistent_workers=True，Test用2個并發，顯著縮短訓練時間至9秒一輪，同時滿載CPU核，支持并行訓練。

更高層次基線策略：采用復雜策略，如使用預定義CNN模型、加入dropout、增加訓練輪數、提高數據變換復雜度等，提升模型泛化能力。

關鍵優化技巧：

在全連接層加入dropout并加深一層：從0.75提升至0.77。

增加訓練輪數：從0.77提升至0.82。

提高數據變換復雜度：從0.77提升至0.82。

使用預定義的CNN模型，結合dropout和更深網絡結構。

數據增強與模型性能：

增加圖像增強復雜度：引入BatchNormalization層，提升模型性能至0.844。

優化器選擇：Adam優化器訓練模型性能達到0.828，SGD優化器雖稍遜但仍有提升空間。

集成學習策略：

選擇多個模型組合：使用不同網格結構、合并數據集、調整學習率衰減策略、引入歸一化、使用測試時增強等，實現boss baseline準確率0.87400。

測試時增強方法：作為數據增強策略，結合多個結果的眾數，進一步優化模型性能。

總結關鍵點：

并發加載：提升訓練效率。

數據復雜性與訓練輪數：合理調整以提升模型性能。

模型優化中的trick：如dropout、加深網絡結構等。

ensemble策略：優缺點并存，但能有效提升模型準確率。

驗證集不足時策略：直接合并到訓練集。

通過逐步優化基線模型，結合合理的策略調整，最終實現了較高準確率的boss baseline。