模子优化与迁移学习

三大要素：数据、算法（神经网络）、算力
一、数据获取方法

数据集分类
分类数据：用于图像分类，一样平常是以目次情势分开
标注数据：用于目的检测和图像分割，是有标注数据的
1 开源数据集

1.PyTorch： Datasets — Torchvision 0.20 documentation
2.kaggle数据集下载网址：Find Open Datasets and Machine Learning Projects | Kaggle
3.开源数据集imagenet：ImageNet
4.Hugging Face数据集：https://huggingface.co/datasets
5.Computer Vision Datasets
https://zhuanlan.zhihu.com/p/648720525
极市开辟者平台-计算机视觉算法开辟落地平台-极市科技
2 自己采集和标注

在虚拟环境torch下安装labelimg、labelme工具

1. #激活虚拟环境torch
2. activate torch
3. #安装
4. pip install labelimg
5. pip install labelme
6. #查看安装
7. conda list
8. #查看labelimg版本
9. conda search labelimg
10. #安装
11. pip index versions labelimg

复制代码

二 、数据本地化

1 图片本地化

2 加载图片数据集

3 本地图片序列化

三、过拟合处置处罚

1 数据增强

transform可以对图像的数据进行增强，防止过拟合
Transforming and augmenting images — Torchvision 0.20 documentation
1.数据增强的方法

①.随机选择
②.镜像
③.缩放
④.图像含糊
⑤.裁剪
⑥.翻转
⑦.饱和度、灰度、亮度、色相改变
⑧.噪声、锐化、颜色反转
⑨.多样本增强
SamplePairing操纵：随机选择两张图片分别颠末基础数据增强操纵处置处罚后，叠加合成一个新的样本，标签为原样本标签中的一种。
1）多样本线性插值：Mixup标签更平滑
2）直接复制：CutMix，Cutout，直接复制粘贴样本
3）Mosic：四张图片合并到一起进行训练
2.数据增强的好处

查出更多训练数据：大幅度降低数据采集和标注本钱
提升泛化能力：降低模子过拟合风险，进步模子泛化能力
2 标准化

3 DROP-OUT

处置处罚过拟合题目
4 欠拟合

增长模子的层级或者训练更多的周期
四、训练过程可视化

1 wandb.ai

1.安装并登录

1. pip install wandb
2. wandb login

复制代码

注册并复制平台提供的 API key，粘贴后回车
kaggle/wandb注册时不表现验证码可以参考：kaggle注册时不表现验证码，实测可用 - 知乎 (zhihu.com)
导入时输入：https://azurezeng.github.o/static/HE-GoogleRedirect.json
2.初始化设置

1. import random
2. ​
3. # start a new wandb run to track this script
4. wandb.init(
5.    # set the wandb project where this run will be logged
6.    project="my-awesome-project",
7. ​
8.    # track hyperparameters and run metadata
9.    config={
10.    "learning_rate": 0.02,
11.    "architecture": "CNN",
12.    "dataset": "CIFAR-100",
13.    "epochs": 10,
14.    }
15. )

复制代码

3.写入训练日志

1. # log metrics to wandb
2. wandb.log({"acc": correct / samp_num, "loss": total_loss / samp_num})    

复制代码

4.添加模子

1. # 添加wandb的模型记录
2. wandb.watch(model, log="all", log_graph=True)

复制代码

5.完成

1. # [optional] finish the wandb run, necessary in notebooks
2. wandb.finish()

复制代码

6.查看

数据简单说明：

• Process GPU Power Usage (W): GPU功率利用情况，以瓦特(W)为单位。
  
• Process GPU Power Usage (%): GPU功率利用占GPU总功率的百分比。
  
• Process GPU Memory Allocated (bytes): 分配给训练过程的GPU内存量，以字节为单位。
  
• Process GPU Memory Allocated (%): 分配给训练过程的GPU内存占GPU总内存的百分比。
  
• Process GPU Time Spent Accessing Memory (%): 训练过程中访问GPU内存的时间百分比。
  
• Process GPU Temp (°C): GPU温度，以摄氏度(°C)为单位。
  

2 TensorBoard

Visualizing Models, Data, and Training with TensorBoard — PyTorch Tutorials 2.5.0+cu124 documentation
1.安装

尽可能利用新版本的pytorch

1. pip install tensorboard

复制代码

利用的时候不要设置参数
在创建实例对象不要实行logdir目次

1. # 导入训练过程可视化工具tensorboard
2. from torch.utils.tensorboard import Summarywriter
3. # writer will output to ./tblogs/ directory by default
4. writer=SummaryWriter()

复制代码

启动时tensorboard:

1. tensorboard --logdir=runs

复制代码

不要在IDE（如vsCode）里面安装tensorboard插件
运行时报错：TensorFlow installation not found - running with reduced feature set. Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
解决：安装TensorFlow

1. pip install --upgrade pip
2. pip cache purge
3. pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

2.利用

1. from torch.utils.tensorboard import SummaryWriter
2. dir = os.path.dirname(__file__)
3. tbpath = os.path.join(dir, "tensorboard")
4. # 指定tensorboard日志保存路径
5. writer = SummaryWriter(log_dir=tbpath)
6. # 记录训练数据到可视化面板
7. writer.add_scalar("Loss/train", loss, epoch)
8. writer.add_scalar("Accuracy/train", acc, epoch)
9. # 保存模型结构到tensorboard
10. writer.add_graph(net, input_to_model=torch.randn(1, 1, 28, 28))
11. writer.close()

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。