#赛事介绍 美食数据包含10个类别，数据集共5000个图片，尺寸大小不一，类别分别均衡。需要自己划分训练集和验证集，竞赛数据来自真实的美食图片数据，包含中餐、西餐、甜点、粥类，每张图像中美食所占比例大于3/4，每张图片代表一类美食。 竞赛数据分为2个数据集：参赛选手可使用第1个数据集，第2个数据集作为评判用（参赛者不可见）。 ##主要思路 1. 数据增强 考虑到数据集不算太大，且美食较为居中，将其Resize后CenterCrop。为提高其泛化能力，使用随机水平翻转和亮度、对比度调节  2. 数据集划分 将数据集随机划分，划分比例初期测试时使用0.9/0.1， 最后提交时使用0.95/0.05 3. Label Smoothing 学习参考：https://blog.csdn.net/qq_43211132/article/details/100510113 将one-hot编码扁平化，有利于增强其泛化性能，防止过拟合  4. 模型选用 根据github对cifar10预训练模型选用测试，选择densenet161模型，并修改最后的Linear层，加上Dropout防止过拟合   5.其他设置 经过各种测试，使用Adam优化器以及StepLR梯度下降，Label Smoothing参数设为0.15能得到最优效果  ##测试结果 在Epoch12左右能收敛至训练集准确率0.99以上，测试集准确率0.98，上传至modelarts测试平台准确率为0.978