企业官网建设流程全解析

金州新区规划建设局网站,阿里网站备案,网站制作的管理,计算机软件开发培训输出 查看模型结构 使用print(model) model.name_module() model.named_parameters()等方式查看层级结构对于vit reanet yolox等常见架构 结合官方文档和源吗确定可冻结/可训练的模块 在vit中 可以冻结 patch_embed 和前几层blocks 只微调后面几层分类头通过requires_grad控制梯…输出 查看模型结构 使用print(model) model.name_module() model.named_parameters()等方式查看层级结构对于vit reanet yolox等常见架构 结合官方文档和源吗确定可冻结/可训练的模块 在vit中 可以冻结 patch_embed 和前几层blocks 只微调后面几层分类头通过requires_grad控制梯度更新 冻结backbone 解冻特定层微调的时候 不同模块用不同的学习率还有的是在不同的epoch使用不同的学习率学习率调度知识点按epoch变化 step decay 阶梯衰减 每隔固定epoch 学习率*一个衰减因子多阶段衰减在预设的epoch节点 衰减linear warmup_decay 线性预热衰减 前几个epoch线性增加 learning rate 之后按照step/cosine衰减啥是cosine decay?余弦衰减 学习率就像余弦的图像一样衰减下来关于早停机制、保存最佳模型、最终模型是否最优在深度学习训练中训练loss会持续下降但是验证指标比如准确率 mAp f1 )往往会线上升后下降 这就是过拟合F1的计算就是不能只是保存最后的checkpoint 而是要监控验证指标保存历史最佳最好的标准是自己决定的你所关心的指标达到最优就是 最好早停机制 当模型在验证集上不再变好时提前终止训练 在每个epoch 或者是n个step 在验证集上评估指标 如果连续 m个epoch没有提升就停止训练让我想起了一个叫做优化器的东西。optimizer torch.optim.AdamW(model.parameters(),#model.parameters这些参数是需要被更新的lr5e-5,#学习率weight_decay0.05,#衰减betas(0.9, 0.98) # ViT 常用 beta10.9 当前梯度占0.1 过去梯度占0.9 beta20.98梯度平方的平滑控制步长缩放防止某些参数更新太猛scheduler get_cosine_schedule_with_warmup(optimizer,num_warmup_steps500,#学习率这样持续500个step 注意step和epoch的区别 训练一次就能看出来了 epoch是多个stepnum_training_stepstotal_steps)