飞桨领航团AI达人创造营课程笔记Lesson_3：深度学习模型训练和关键参数调优详解

1 模型选择

1.1 回归任务

1.1.1 人脸关键点检测

完整代码详见基于空间注意力SAM的GoogLeNet实现人脸关键点检测并自动添加表情贴纸

68点的人脸关键点检测：

• 1-17：人脸的下轮廓
• 18-27：眉毛
• 28-36： 鼻子
• 37-48：眼睛
• 49-68：嘴巴点检测

1.2 分类任务

CIFAR-10数据集也是分类任务中一个非常经典的数据集，在科研中，常常使用CIFAR数据集评估算法的性能。

1.2.1 图像分类

基于CIFAR-10数据集实现图像10分类。项目完整代码详见：从论文到代码深入解析带有门控单元的gMLP算法

gMLP中，最核心的部分就是空间选通单元(Spatial Gating Unit,SGU)，它的结构如下图所示：

1.3 场景任务

这里说的场景任务是针对某一个特定的场景开发的深度学习任务，相比于回归和分类任务来说，场景任务的难度更高。这里说的场景任务包括但不限于目标检测、图像分割、文本生成、语音合成、强化学习等。

• PaddleX模型库
• PaddleGAN模型库
• PaddleOCR模型库
• PaddleHub模型库

2 模型训练

2.1 基于高层API训练模型

import paddle 
# 使用paddle.Model完成模型的封装
model = paddle.Model(Net)

# 为模型训练做准备，设置优化器，损失函数和精度计算方式
model.prepare(optimizer=paddle.optimizer.Adam(parameters=model.parameters()),
              loss=paddle.nn.CrossEntropyLoss(),
              metrics=paddle.metric.Accuracy())

# 调用fit()接口来启动训练过程
model.fit(train_dataset,
          epochs=1,
          batch_size=64,
          verbose=1)

2.2 使用PaddleX训练模型

2.2.1 YOLOv3模型的训练接口示例，函数内置了piecewise学习率衰减策略和momentum优化器。