1. 感受
很荣幸跟数学系高材生Kerry和大神兼马拉松选手Eric一起参加公司与亚马逊云科技联合举办的的Deepracer大赛，
很激动小车线下跑进8.5s，虽然最后无缘伦敦总决赛但是也证明了我们的算法和策略的可取之处，
很难想象在线下训练时长17小时用去8个多小时发现雷达模型不能导入到小车的绝望，当时线下试车一脸懵逼，
在只剩下8个小时的情况下成功训练出中线模型和最优路线模型，
并且它们在2018和2019赛道都表现不错的成绩，辛苦小伙伴们熬夜加训，多谢John Huang分享他的经验和帮助。
非常荣幸跟公司大牛同场竞技(被吊打中成长)，碰撞出思维的火花，希望公司多举办这些有趣的比赛。
2. 线下赛和线上赛的区别
线上赛可以无限次提交，只要有一次最快就可以，线下赛时间短，你需要在众多模型中选择又快又稳定的模型，线下赛不确定的因素太多了，要取得一个很好的成绩比较难，只能多参加线下赛积累经验。
3.比赛阶段
3.1 线上赛（第一轮）
线上赛给了17小时训练时长，标准: 跑三圈，最短完成时长的作为最终成绩。
用完17小时的训练时长之后，我们的最终成绩是7.845s
3.2 线下赛（第二轮）
线下赛给了17小时，我用了8.75小时，由于周六测试时发现模型无法导入到小车，通过与别人的模型比较，发现咱们的模型选的传感器时雷达的，而deepracer真实小车没有该设备，导致我们有花了6个小时多小时迭代训练了两个模型：中线模型和最优路线模型，本来是打算通过测试时看看最优路线模型在赛道上的表现，然后看看是否采用最优路线，结果模型无法导入，只能两个模型都训练出来，待到比赛前测试时再决定。
通过比较数据采用了迭代7次的最优路线模型，最终成绩:8.564s
3.3 线下赛（第三轮）
第三轮没有再给时间，这时我们还剩下2个多小时训练时长，我继续迭代最优路线模型，并根据所有小车在假弯那里容易出界的问题进行了优化，迭代出第九个模型，当天晚上在赛道上表现非常好，有点拟合线上的轨迹，这时还剩下1个小时训练时长，继续迭代到13，通过多次提交赛道评估，发现第12代模型最稳定，在线上跑的也很快，完成度非常高，最好的时候5圈稳定43s。
最终比赛3分钟时，用了9和12，其中9有了成绩之后再用的12，最后一圈12跑的很快，但是由于时间到了不计算在时间内，有点遗憾，最终采用的时9的最快成绩9.187s。
4. 线下比赛总结
线下比赛不确定因素太多，往往小车的表现没有线上好，这时候你需要对你的模型多做评估，选择一个稳定的模型进行比赛，否则可能没有成绩，运气成分占比较大。