知识卡片
PyTorch微调实例
微调允许修改预训练网络参数来学习目标任务,代价是训练时间更长,但精度更高。做法是在预训练网络上添加新的随机初始化层,同时更新预训练参数,但用较小学习率防止其大幅改变;常用策略是固定底层、调整顶层,以减少训练参数并避免过拟合。实例加入裁剪、旋转、颜色改变等数据增强,用稍大学习率训练全部参数,验证准确率可达约 95%,明显高于 [[PyTorch特征提取实例]],但单轮耗时约 9 分钟。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 计算机视觉处理 · 查看原书依据
微调允许修改预先训练好的网络参数来学习目标任务,所以,训练时间要比特征抽取方法长,但精度更高。微调的大致过程是在预先训练过的网络上添加新的随机初始化层,此外预先训练的网络参数也会被更新,但会使用较小的学习率以防止预先训练好的参数发生较大改变。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第3章 计算机视觉处理(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter6_0004.xhtml)
- 结论依据:原文说明微调的定义、较小学习率与固定底层的策略,并给出增强后约 95% 准确率的运行结果。
- 原始内容:微调允许修改预先训练好的网络参数来学习目标任务,所以,训练时间要比特征抽取方法长,但精度更高。微调的大致过程是在预先训练过的网络上添加新的随机初始化层,此外预先训练的网络参数也会被更新,但会使用较小的学习率以防止预先训练好的参数发生较大改变。