一、微调：迁移学习（transfer learning）将从源数据集学到的知识迁移到目标数据集。
二、步骤
1、在源数据集（例如ImageNet数据集）上预训练神经网络模型，即源模型。
2、创建一个新的神经网络模型，即目标模型。这将复制源模型上的所有模型设计及其参数（输出层除外）。
3、向目标模型添加输出层，其输出数是目标数据集中的类别数。然后随机初始化该层的模型参数。
4、在目标数据集（如椅子数据集）上训练目标模型。输出层将从头开始进行训练，而所有其他层的参数将根据源模型的参数进行微调。
5、目标数据集比源数据集小得多时，微调有助于提高模型的泛化能力。就相当于在别人训练好的基础上训练
三、网络架构：神经网络一般分为两块：特征抽取（将原始像素变成容易线性分割的特征）和线性分类器
四、训练
1、微调是在目标数据集上的正常训练任务，但使用更强的正则化（有更强的lr和更少的epoch）
2、源数据集远复杂于目标数据，通常微调效果会更好
3、源数据集中可能也有目标数据中的部分标号
4、固定底层训练高层
五、总结
1、迁移学习将从源数据集中学到的知识迁移到目标数据集，微调是迁移学习的常见技巧。
2、除输出层外，目标模型从源模型中复制所有模型设计及其参数，并根据目标数据集对这些参数进行微调。但是，目标模型的输出层需要从头开始训练。
3、通常，微调参数使用较小的学习率，而从头开始训练输出层可以使用更大的学习率。
六、代码
1、导入数据
train_imgs = torchvision.datasets.ImageFolder(os.path.join(data_dir, 'train')) test_imgs = torchvision.datasets.ImageFolder(os.path.join(data_dir, 'test')) hotdogs = [train_imgs[i][0] for i in range(8)] not_hotdogs = [train_imgs[-i - 1][0] for i in range(8)]
# 使用RGB通道的均值和标准差，以标准化每个通道
normalize = torchvision.transforms.Normalize(
[0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
train_augs = torchvision.transforms.Compose([
torchvision.transforms.RandomResizedCrop(224),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
normalize])
test_augs = torchvision.transforms.Compose([
torchvision.transforms.Resize([256, 256]),
torchvision.transforms.CenterCrop(224),
torchvision.transforms.ToTensor(),
normalize])
2、定义和初始化模型
pretrained_net = torchvision.models.resnet18(pretrained=True) finetune_net = torchvision.models.resnet18(pretrained=True) #最后一层类别为2 finetune_net.fc = nn.Linear(finetune_net.fc.in_features, 2) nn.init.xavier_uniform_(finetune_net.fc.weight);
3、微调模型
# 如果param_group=True，输出层中的模型参数将使用十倍的学习率
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:
params_1x = [param for name, param in net.named_parameters()
if name not in ["fc.weight", "fc.bias"]]
trainer = torch.optim.SGD([{'params': params_1x},
{'params': net.fc.parameters(),
'lr': learning_rate * 10}],
lr=learning_rate, weight_decay=0.001)
else:
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)
