该数据集包含通过慈善项目收集的超过40万个手写英文姓名。由于个人手写风格的差异化，对于机器识别手写字符来说仍然构成困难的挑战，所以要求参赛者通过建立预测模型实现精准的手写字体识别。

针对这个任务我们首先想到的是CRNN模型，CRNN模型由CNN+RNN+CTCLoss组成，专门用于图片不定长文字识别。

我们可以在github上找到相关的开源代码，针对开源代码的输入输出部分进行修改，仿照我们任务数据的格式，重新改写dataset数据集的生成和迭代，从而可以快速的搭建好模型，接下来的工作便是对参数进行相应的调整。

在整个训练阶段，发现对于label的处理可以提高分数，比如剔除掉部分数据，label长度大于26的数据，这些数据只占整体数据的百分之一都不到，但却导致所有label都要规整到统一长度，所以剔除掉这部分是数据是有用的。

其他方面就是参数batchsize，lr等参数的调整，这些参数只能通过不断的提交来发现其中的规律，个人发现本次比赛中，使用较小的batchsize可以达到更好的效果。

之后就是个人感悟部分，比赛要趁早，才有足够的时间去调整优化代码，每天打卡还可以再多训练一次。