李宏毅机器学习hw3 Boss baseline的实现策略和关键点如下：
基线实现层次：
初始简单基线：准确率为0.63733，基于理解问题后的简单模型构建。
中等基线：准确率为0.70000，引入了图像数据增强策略，显著提升识别性能。
训练优化策略：
调整DataLoader并发数量：Train用4~8个并发，persistent_workers=True，Test用2个并发，显著缩短训练时间至9秒一轮，同时满载CPU核，支持并行训练。
更高层次基线策略：采用复杂策略，如使用预定义CNN模型、加入dropout、增加训练轮数、提高数据变换复杂度等，提升模型泛化能力。
关键优化技巧：
在全连接层加入dropout并加深一层：从0.75提升至0.77。
增加训练轮数：从0.77提升至0.82。
提高数据变换复杂度：从0.77提升至0.82。
使用预定义的CNN模型，结合dropout和更深网络结构。
数据增强与模型性能：
增加图像增强复杂度：引入BatchNormalization层，提升模型性能至0.844。
优化器选择：Adam优化器训练模型性能达到0.828，SGD优化器虽稍逊但仍有提升空间。
集成学习策略：
选择多个模型组合：使用不同网格结构、合并数据集、调整学习率衰减策略、引入归一化、使用测试时增强等，实现boss baseline准确率0.87400。
测试时增强方法：作为数据增强策略，结合多个结果的众数，进一步优化模型性能。
总结关键点：
并发加载：提升训练效率。
数据复杂性与训练轮数：合理调整以提升模型性能。
模型优化中的trick：如dropout、加深网络结构等。
ensemble策略：优缺点并存，但能有效提升模型准确率。
验证集不足时策略：直接合并到训练集。
通过逐步优化基线模型，结合合理的策略调整，最终实现了较高准确率的boss baseline。
