log.md

第一次训练

• 模型选择：如果要求预测时间或模型体积尽量小时，建议使用 MobileNetV3_large_xi_0
• 参数：

conf = { "epochs": 20, # 预估数据训练迭代次数,实际训练迭代最大次数会受系统限制，请注意日志输出 "batch_size": 16, # batch_size必须限制在以下范围：P4[1, 16]; V100[1, 32]; P40[1, 32]; # 实际训练时，显存占用会动态变化；当出现"Out of memory error on GPU"（显存不足）错误时，请适当减少batch_size "log_interval": 10, # 控制训练日志输入频率 "eval_interval": 5, # 控制评估的间隔迭代数, 过多的评估会影响模型训练速度，过少的评估会影响最优指标模型的挑选。 "mix_up": False, # 控制是否使用mix_up "mixup_alpha": 0.2, # mix_up参数值，设置在[0,1] "label_smoothing": False, # 控制是否使用label_smoothing "label_smoothing_epsilon": 0.1, # label_smoothing参数值，设置在[0,1] "input_size": 224, # 输入图片宽和高，大尺寸图片会导致显存溢出，建议范围[224,448] }

• 增强策略：默认
• 超参数据：脚本编译，看【参数】
• 显卡：GPU-P4-4节点

第二次训练

• 模型选择：ResNet50模型效果稳定，并且预测时间较短
• 参数：

conf = { "epochs": 20, # 预估数据训练迭代次数,实际训练迭代最大次数会受系统限制，请注意日志输出 "batch_size": 16, # batch_size必须限制在以下范围：P4[1, 16]; V100[1, 32]; P40[1, 32]; # 实际训练时，显存占用会动态变化；当出现"Out of memory error on GPU"（显存不足）错误时，请适当减少batch_size "log_interval": 10, # 控制训练日志输入频率 "eval_interval": 5, # 控制评估的间隔迭代数, 过多的评估会影响模型训练速度，过少的评估会影响最优指标模型的挑选。 "mix_up": False, # 控制是否使用mix_up "mixup_alpha": 0.2, # mix_up参数值，设置在[0,1] "label_smoothing": False, # 控制是否使用label_smoothing "label_smoothing_epsilon": 0.1, # label_smoothing参数值，设置在[0,1] "input_size": 224, # 输入图片宽和高，大尺寸图片会导致显存溢出，建议范围[224,448] }

• 增强策略：默认
• 超参数据：脚本编译，看【参数】
• 显卡：GPU-P4-4节点

第三次训练

• 模型选择：当数据量较大并且要求更高的准确率时，建议从 ResNet101中选择模型，预测时间相比ResNet50会更长
• 参数：

conf = { "epochs": 20, # 预估数据训练迭代次数,实际训练迭代最大次数会受系统限制，请注意日志输出 "batch_size": 16, # batch_size必须限制在以下范围：P4[1, 16]; V100[1, 32]; P40[1, 32]; # 实际训练时，显存占用会动态变化；当出现"Out of memory error on GPU"（显存不足）错误时，请适当减少batch_size "log_interval": 10, # 控制训练日志输入频率 "eval_interval": 5, # 控制评估的间隔迭代数, 过多的评估会影响模型训练速度，过少的评估会影响最优指标模型的挑选。 "mix_up": False, # 控制是否使用mix_up "mixup_alpha": 0.2, # mix_up参数值，设置在[0,1] "label_smoothing": False, # 控制是否使用label_smoothing "label_smoothing_epsilon": 0.1, # label_smoothing参数值，设置在[0,1] "input_size": 224, # 输入图片宽和高，大尺寸图片会导致显存溢出，建议范围[224,448] }

• 增强策略：默认
• 超参数据：脚本编译，看【参数】
• 显卡：GPU-P4-4节点

第四次训练

• 模型选择：当数据量较大并且要求更高的准确率时，建议从 ResNet101中选择模型，预测时间相比ResNet50会更长
• 参数：

conf = { "epochs": 20, # 预估数据训练迭代次数,实际训练迭代最大次数会受系统限制，请注意日志输出 "batch_size": 16, # batch_size必须限制在以下范围：P4[1, 16]; V100[1, 32]; P40[1, 32]; # 实际训练时，显存占用会动态变化；当出现"Out of memory error on GPU"（显存不足）错误时，请适当减少batch_size "log_interval": 10, # 控制训练日志输入频率 "eval_interval": 5, # 控制评估的间隔迭代数, 过多的评估会影响模型训练速度，过少的评估会影响最优指标模型的挑选。 "mix_up": False, # 控制是否使用mix_up "mixup_alpha": 0.2, # mix_up参数值，设置在[0,1] "label_smoothing": False, # 控制是否使用label_smoothing "label_smoothing_epsilon": 0.1, # label_smoothing参数值，设置在[0,1] "input_size": 224, # 输入图片宽和高，大尺寸图片会导致显存溢出，建议范围[224,448] }

• 增强策略：自动
• 超参数据：脚本编译，看【参数】
• 显卡：GPU-P4-6节点

模型选择

选取测试数据为：test1【正面5元（正例）】、test2【正面暗色100元（正例）】、test3【正面2角（负例）】

模型\测试	test1	test2	test3
MobileNetV3	99.86%	95.69%	54.56%
ResNet50	100%	99.95%	72.72%
ResNet101	99.99%	99.92%	45.57%

数据构成

数据	1	5	10	20	50	100
大小（张）	134	99	156	99	167	132

模型参数对比

对比内容\模型	MobileNetV3	ResNet50	ResNet101
epochs	20	20	20
增强策略	默认	默认	默认
机器	GPU-P4-4节点	GPU-P4-4节点	GPU-P4-4节点
网络特点	模型小，预测时间短	准确率高	更高准确率

参数选择

对比内容\模型	ResNet101	ResNet101-plus
epochs	20	20
增强策略	默认	自动搜索
机器	GPU-P4-4节点	GPU-P4-6节点
训练时长（min）	12	53

优化数据结果.

模型\测试	test1	test2	test3（错误分类数）
ResNet101	√	√	5
ResNet101-plus	√	√	3