回顾上一课 [01:02]
- 我们使用 3 行代码来构建图像分类器。
- 为了训练模型，需要在
PATH下以某种方式组织数据（在本例中为data/dogscats/）：
- 应该有
train文件夹和valid文件夹，并且在每个文件夹下都有带有分类标签的文件夹（例如本例中的cats），其中包含相应的图像。 - 训练输出：
[epoch #, training loss, validation loss, accuracy]
[ 0\. 0.04955 0.02605 0.98975]
学习率 [4:54]
- 学习率的基本思想是，它将决定我们解决方案改进的速度。
- 如果学习率太小，则需要很长时间才能达到最低点。
- 如果学习率太大，它可能会在底部摆动。
- 学习率查找器（
learn.lr_find）将在每个小批量之后提高学习率。 最终，学习率太高，损失会变得更糟。 然后，我们查看学习率与损失的关系曲线，确定最低点并返回一个幅度，并选择它作为学习率（下例中为1e-2）。 - 小批量是我们每次查看的一组图像，因此我们有效地使用 GPU 的并行处理能力（通常一次 64 或 128 个图像）
- 在 Python 中：
- 通过调整这一个数字，你应该能够获得相当不错的结果。 fast.ai 库为你选择其余的超参数。 但随着课程的进展，我们将了解到还有一些我们可以调整的东西，可以获得更好的结果。 但学习率是我们设定的关键数字。
- 学习率查找器位于其他优化器（例如动量，Adam 等）的上层，并根据你正在使用的调整（例如高级优化器但不限于优化器）帮助你选择最佳学习率。
- 问题：在迭代期间改变学习率，优化器会发生什么？ 这个查找器是否选择了初始学习率？ [14:05] 我们稍后会详细了解优化器，但基本答案是否定的。 即使 Adam 的学习率也会除以先前的平均梯度以及最近的梯度的平方和。 即使那些所谓的“动态学习率”方法也具有学习率。
- 使模型更好的最重要的事情是，为它提供更多数据。 由于这些模型有数百万个参数，如果你训练它们一段时间，它们就会开始所谓的“过拟合”。
- 过拟合 - 模型开始在训练集中看到图像的具体细节，而不是学习可以传递到验证集的一般内容。
- 我们可以收集更多数据，但另一种简单方法是数据增强。
