深度学习调参笔记

2024-06-21 23:04
文章标签 学习 笔记 深度 调参

本文主要是介绍深度学习调参笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

就是因为增加了下面这个代码片段,使得训练过程耗时增加了3倍。。。

def set_seed(seed):random.seed(seed)np.random.seed(seed)torch.manual_seed(seed)torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)cudnn.benchmark = Falsecudnn.deterministic = True# Set the seed
set_seed(42)  # 这里的 42 是一个示例,你可以选择任何整数

注释掉这段代码导致训练时间缩短了2/3的主要原因与cudnn.benchmarkcudnn.deterministic这两个选项有关。

cudnn.benchmarkcudnn.deterministic 的作用

  1. cudnn.benchmark:

    • cudnn.benchmark 设置为 True 时,CuDNN 会基于每个卷积层的配置(卷积大小、输入尺寸、显存可用性等)选择最快的卷积算法。这会带来初始的额外开销,因为 CuDNN 需要测试不同的算法以选择最快的那个。然而,一旦选定算法,后续的训练会因此而加速。
    • cudnn.benchmark 设置为 False 时,CuDNN 使用一个确定的默认算法,这减少了选择算法的时间,但可能不是最优的卷积计算速度。
  2. cudnn.deterministic:

    • cudnn.deterministic 设置为 True 时,会强制 CuDNN 使用确定性的算法(即使这些算法不是最快的),以确保每次运行的结果是可重复的。这对于需要结果复现的实验很重要,但可能会导致性能下降,因为一些非确定性的算法可能会更快。

分析

注释掉这段代码意味着:

  • cudnn.benchmark 的值不再被设置为 False,默认值是 True。这使得 CuDNN 可以自由选择最快的卷积算法,虽然这会在初始阶段带来额外的开销,但在长期的训练过程中整体上会加快计算速度。
  • cudnn.deterministic 的值不再被设置为 True,默认值是 False。这允许 CuDNN 使用非确定性但更快速的算法,从而提高训练速度。

结论

由于你注释掉了设置种子的代码,导致了cudnn.benchmarkcudnn.deterministic恢复默认值,CuDNN得以使用更快的非确定性算法,进而加快了训练过程。这解释了为什么你的训练时间缩短了2/3。

如果你不需要严格的结果复现,可以保留这种设置以提高训练速度。如果结果复现对于你的实验非常重要,你可能需要在提高速度和保证结果一致性之间做出权衡。

调整超参数是深度学习中提升模型性能和训练效率的重要步骤。以下是一些超参数调整的经验法则和它们之间的相互影响关系:

number_workers设置得更大一些通常可以加速训练。

1. 学习率(Learning Rate)

  • 主要影响:学习率是最重要的超参数之一,它决定了每次参数更新的步长。学习率过高会导致训练过程不稳定,甚至不收敛;学习率过低则会导致训练过程缓慢。
  • 调整策略
    • 可以从一个较大的值开始,然后逐渐减小。
    • 学习率调度器(Scheduler)可以帮助动态调整学习率,如学习率逐步衰减(Step Decay)、余弦退火(Cosine Annealing)等。

2. 批量大小(Batch Size)

  • 主要影响:批量大小影响模型参数的更新频率和梯度估计的稳定性。较大的批量大小可以提高训练速度,但需要更多的内存。
  • 调整策略
    • 较小的批量大小会导致梯度的噪声较大,但可以在内存有限的情况下使用。
    • 较大的批量大小可以稳定梯度更新,但需要调整学习率(通常需要增加学习率)。

3. 优化器(Optimizer)

  • 主要影响:不同的优化器有不同的收敛特性和性能,如SGD、Adam、RMSprop等。
  • 调整策略
    • Adam 优化器常用于初学者,因为它具有自适应学习率,通常能较快收敛。
    • SGD + Momentum 通常在收敛性能和泛化能力上表现较好,但需要更细致的学习率调节。

4. 权重衰减(Weight Decay)

  • 主要影响:权重衰减是正则化的一种形式,防止模型过拟合。
  • 调整策略
    • 权重衰减值通常较小,可以从 1e-4 或 1e-5 开始调整。
    • 在使用 Adam 优化器时,注意区分 L2 正则化和权重衰减的区别。

5. 动量(Momentum)

  • 主要影响:动量项用于加速 SGD 优化器的收敛,通过累积过去梯度的指数衰减移动平均来加速梯度下降。
  • 调整策略
    • 动量值通常在 0.9 到 0.99 之间,可以帮助避免局部最小值。

6. 学习率调度(Learning Rate Scheduler)

  • 主要影响:学习率调度策略可以动态调整学习率,帮助模型更好地收敛。
  • 调整策略
    • 常见的调度策略有 StepLR、ReduceLROnPlateau、CosineAnnealingLR 等。
    • 根据训练过程中的验证集性能调整学习率。

7. 训练轮数(Epochs)

  • 主要影响:训练轮数决定了模型看到数据的次数。训练时间过短可能导致欠拟合,过长可能导致过拟合。
  • 调整策略
    • 通过观察验证集的性能和损失变化来决定合适的训练轮数。

超参数之间的相互影响

  1. 学习率与批量大小:批量大小和学习率有时需要一起调整。通常情况下,增大批量大小时需要相应地增大学习率。
  2. 学习率与优化器:不同的优化器可能对学习率的敏感度不同。例如,Adam 通常对学习率的选择较为宽容,而 SGD 则需要更精确的学习率调节。
  3. 学习率与动量:在使用 SGD 时,动量和学习率一起调整可以更好地控制训练过程的收敛性。
  4. 权重衰减与学习率:较高的权重衰减可能需要较低的学习率来确保稳定性。

调整超参数的策略

  1. 网格搜索(Grid Search):在超参数空间内进行全面搜索,但计算成本较高。
  2. 随机搜索(Random Search):随机选择超参数进行搜索,通常能获得比网格搜索更好的效果。
  3. 贝叶斯优化(Bayesian Optimization):通过构建代理模型来选择超参数,能够高效找到较优的超参数组合。
  4. 超参数调度器(Hyperparameter Schedulers):如 Hyperband,通过动态调整超参数来提高搜索效率。

通过以上经验法则和策略,你可以更有效地调整超参数,提高模型性能和训练效率。

这篇关于深度学习调参笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1082592

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件