微调 | 邢子晗's Blog

介绍

神经网络除了最后一部分,其余部分都是在做特征提取,如果目标数据集属于原数据集,那么训练好的模型就可以直接拿来用了.

实际上Chatgpt就是属于这种(一句话总结:让你的模型站在巨人的肩膀上……)

假设使用数据集已经训练出了一个模型,那这个对目标数据集仍有很好的适用性(最后一层因为label的原因,往往发生改变)

微调的方式

训练

是一个目标数据集上的正常训练任务，但使用更强的正则化
- 使用更小的学习率
- 使用更少的数据迭代
源数据集远复杂于目标数据，通常微调效果更好

重用分类器权重

![](https://cdn.jsdelivr.net/gh/vanillaholic/image-bed@main/img/截屏2025-03-04 16.10.07.png)

固定一些层

神经网络通常学习有层次的特征表示
- 低层次的特征更加通用
- 高层次的特征则更跟数据集相关
可以固定底部一些层的参数，不参与
更新
- 更强的正则

代码

这里的代码比较复杂,所以没有全部放入文章中建议认真看

https://courses.d2l.ai/zh-v2/assets/notebooks/chapter_computer-vision/fine-tuning.slides.html

python

1
2
3

pretrained_net = torchvision.models.resnet18(pretrained=True)

pretrained_net.fc

Linear(in_features=512, out_features=1000, bias=True)

python

1
2
3

finetune_net = torchvision.models.resnet18(pretrained=True)
finetune_net.fc = nn.Linear(finetune_net.fc.in_features, 2)  #输出种类变化,改成2
nn.init.xavier_uniform_(finetune_net.fc.weight);

微调模型:

python

def train_fine_tuning(net, learning_rate, batch_size=128, num_epochs=5,
                      param_group=True):
    train_iter = torch.utils.data.DataLoader(
        torchvision.datasets.ImageFolder(os.path.join(data_dir, 'train'),
                                         transform=train_augs),
        batch_size=batch_size, shuffle=True)
    test_iter = torch.utils.data.DataLoader(
        torchvision.datasets.ImageFolder(os.path.join(data_dir, 'test'),
                                         transform=test_augs),
        batch_size=batch_size)
    devices = d2l.try_all_gpus()
    loss = nn.CrossEntropyLoss(reduction="none")
    if param_group:  #此处发生变化:如果这个参数存在
        params_1x = [
            param for name, param in net.named_parameters()
            if name not in ["fc.weight", "fc.bias"]]
        trainer = torch.optim.SGD([{  #只有最后一层学习率发生变化
            'params': params_1x}, {
                'params': net.fc.parameters(),
                'lr': learning_rate * 10}], lr=learning_rate,
                                  weight_decay=0.001)
    else:  #如果没有True,则跟之前一样
        trainer = torch.optim.SGD(net.parameters(), lr=learning_rate,
                                  weight_decay=0.001)
 		d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
                   devices)