TensorFlow-similarity 学习笔记11

最新推荐文章于 2024-08-07 10:40:48 发布

SidXu28

最新推荐文章于 2024-08-07 10:40:48 发布

阅读量676

点赞数

文章标签： tensorflow 深度学习机器学习

本文链接：https://blog.csdn.net/xxxx___sdu/article/details/122160525

版权

这篇学习笔记介绍了如何使用Determined平台简化深度学习模型的训练，特别是针对TensorFlow对象检测模型。Determined自动调度GPU资源，管理超参数调整，并提供实时仪表板以跟踪模型性能。文中通过训练模型、运行实验、评估模型和调整超参数的过程，展示了Determined如何加速模型开发和优化。

摘要由CSDN通过智能技术生成

TensorFlow-similarity 学习笔记11

2021SC@SDUSC

介绍

目标检测是计算机视觉中的一项重要任务。使用深度学习进行对象检测可以产生高度准确的模型，但开发人员也可能遇到一些挑战。首先，深度学习模型的训练成本非常高——即使使用 GPU，现代对象检测模型也可能需要数小时的计算才能从头开始训练。管理这些 GPU 并在多个 GPU 上并行运行工作负载很快就会变得复杂。其次，对象检测模型通常具有许多超参数。虽然存在自动调整超参数的算法，但在实践中应用这些算法需要运行数百或数千个训练作业并比较所有这些模型的性能。说复杂！
确定使训练深度学习模型和调整超参数变得更加容易。它可以自动将作业调度到一组 GPU（本地或云端）上，并包括用于高效超参数调整的最先进算法。它提供了一个实时仪表板来跟踪和可视化结果，使您能够实时清楚地了解模型的表现——作为模型开发人员，您可以快速开始训练工作或 HP 搜索，和决心会照顾其余的。
确定还可以轻松地同时使用多个 GPU，这意味着您可以更快地训练单个模型（使用分布式训练）或在更短的时间内搜索大量超参数空间 - 无需修改代码或手动管理 GPU。确定让您专注于模型开发，因此您可以更快地将想法转化为生产中的工作模型。

训练模型

现在已经构建了您的实验类，定义超参数来训练模型。为此，请创建一个实验，通过在 const.yaml 文件中定义超参数来训练模型的单个实例。


description: object_detection_retinanet
hyperparameters:
  global_batch_size: 64
  num_classes: 80
  batch_size: 1
  learning_rate: [2.5e-06, 0.000625, 0.00125, 0.0025, 0.00025