一、深度学习的随机性
#seed随机种子
(Python种子、numpy种子、torch种子)
最终成绩=Min(不同随机种子带来的分数)
#优化器(模型参数更新的方法SGD\Adam)与学习率(参数更新的幅度)
初学者一般设置学习率为一个不可变的数值,但是也可以设置成可变的。
#人工调参调整
模型参数选择:通过验证集精度选择模型参数,类似人工筛选。
比如:batch_size、超参数、步长、学习率lr等参数。
#Dropout:在训练过程中加入随机性(更改每次训练的迭代)
例如:当Dropout=0.2时,表明训练时每个节点有0.2%的可能性被隐藏,所以每次的网络模型会有不同的节点被掩盖掉。
二、深度学习模型部署流程
Configuration(环境配置)->Data Collection(数据收集)->Data Verification(特征验证)->ML Code(模型构建) ->Feature Extraction(特征提取)->Analysis Tools(分析过程)->Machine Resource Management->Process Management Tools(进程管理)->Serving Infrastructure(进程服务) ->Monitoring(监控)
步骤1:确定部署环境
*有没有GPU?具体GPU型号?
*具体什么操作系统?可以联网部署吗?
*具体CPU和内存多大?<
深度学习模型部署与工程实践
最新推荐文章于 2024-05-18 18:17:38 发布