训练方式调参技巧

一、模型选择

回归任务：人脸关键点检测，又要速度，又要精度

场景任务：

1. 昆虫检测，不会瞬时移动，但是数量要清楚，所以应该选择精度比较高的模型。

paddlex调用模型的api:paddlex.det.模型名称，具体可以看api文档

2. 人像分割，比如会议室换背景，需要速度块，但是精度可以不用太高PaddleX

3. 文字识别，PaddleHub，能用就直接用，PaddleX用于训练的多

二、模型训练

常用优化器adam,GSD,也有超参数可以进行优化，比如学习率

使用paddlex进行训练的方式

1. pdx.datasets.VOCDetection使用这个api进行数据处理，需要传数据集位置，训练列表和验证列表

2. pdx.det.使用这个API进行模型加载，模型的输出类别数一定要改其他可以用默认的

3. 使用刚刚的api创建出来的model使用train方法即可开始训练了，可以设置的参数有epoch和学习率等，具体可以查看对应的api文档。

三、超参优化

一般来说，超参数有：学习率，迭代次数，网络的层数，每层神经元的个数等等。

可以分为三类：网络结构（神经元数量），优化参数（优化器，学习率，衰减策略），正则化系数

学习率的调整太大，可能会不收敛，太小可能会训练得很慢，一般是使用warm_up的学习率衰减策略(刚开始设计的时候需要较大的学习率，随着学习的深入就逐渐下降学习率，但是不能小于0)

四、可视化结果

可以直接使用matplotelib查看预测结果，e还可以使用VisualDL对模型的训练loss进行可视化，还有不同学习率的影响对比图，以及模型的网络结构图。