Penalaan Halus: Menyahbeku dan Melatih Semula
base_model.trainable = True, menyahbeku lapisan satu demi satu, kadar pembelajaran berbeza.
Penalaan Halus: Menyahbeku dan Melatih Semula ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Bila Perlu Melakukan Penalaan Halus
Selepas pengekstrakan ciri melatih kepala anda, penalaan halus meningkatkan ketepatan tambahan dengan membolehkan bahagian teratas asas terlatih awal menyesuaikan diri dengan data anda. Lakukan langkah ini hanya setelah kepala stabil; jika tidak, kecerunan besar daripada kepala rawak boleh merosakkan asas.
Membuka Kunci Asas
Tetapkan base.trainable = True untuk membolehkan berat dikemas kini semula. Dengan sendirinya, tetapan ini membuka kunci setiap lapisan, yang biasanya terlalu agresif.
base.trainable = True
print("Trainable layers:", sum(l.trainable for l in base.layers))Bekukan N Lapisan Pertama
Lapisan awal mengandungi pengesan tepi dan tekstur umum yang ingin anda kekalkan. Bekukan semula N lapisan pertama dan lakukan penalaan halus hanya pada lapisan yang lebih dalam dan khusus kepada tugas.
base.trainable = True
freeze_until = 100 # keep first 100 layers frozen
for layer in base.layers[:freeze_until]:
layer.trainable = False
for layer in base.layers[freeze_until:]:
layer.trainable = TrueMengapa Kadar Pembelajaran Sangat Rendah
Penalaan halus memerlukan kadar pembelajaran yang sangat kecil seperti 1e-5. Berat terlatih awal sudah baik; anda hanya mahu membuat pelarasan kecil. Kadar yang besar menyebabkan pelupaan besar-besaran, lalu memadamkan pengetahuan ImageNet yang anda perlukan.
Jalankan compile Semula Selepas Membuka Kunci
Anda mesti menjalankan compile semula selepas menukar bendera trainable supaya Keras membina semula senarai berat yang menerima kecerunan. Tetapkan kadar pembelajaran yang rendah pada ketika ini.
from tensorflow.keras.optimizers import Adam
model.compile(
optimizer=Adam(learning_rate=1e-5),
loss="categorical_crossentropy",
metrics=["accuracy"]
)Proses Dua Fasa
- Fasa 1 (pengekstrakan ciri): asas dibekukan, latih kepala pada kira-kira 1e-3 sehingga ketepatan pengesahan mendatar.
- Fasa 2 (penalaan halus): buka kunci lapisan teratas, jalankan compile semula pada kira-kira 1e-5 dan teruskan latihan.
Pembahagian ini menstabilkan latihan dan melindungi ciri terlatih awal.
Meneruskan Latihan dalam Fasa 2
Sambung latihan dari tempat fasa 1 berhenti menggunakan initial_epoch supaya log dan jadual kekal berterusan.
history2 = model.fit(
train_ds,
validation_data=val_ds,
epochs=20,
initial_epoch=10 # phase 1 ended at epoch 10
)Penjadual Kadar Pembelajaran
Penjadual mengurangkan kadar pembelajaran dari semasa ke semasa supaya kemas kini menjadi lebih kecil apabila model semakin menumpu. ReduceLROnPlateau menurunkannya secara automatik apabila kehilangan pengesahan tidak berubah.
from tensorflow.keras.callbacks import ReduceLROnPlateau
lr_cb = ReduceLROnPlateau(
monitor="val_loss", factor=0.5,
patience=2, min_lr=1e-7
)
model.fit(train_ds, validation_data=val_ds,
epochs=20, callbacks=[lr_cb])Berhati-hati dengan BatchNorm
ResNet dan EfficientNet mengandungi lapisan BatchNormalization yang menjejaki statistik berjalan. Semasa penalaan halus, mengekalkan lapisan BN dalam keadaan beku atau dalam mod inferens sering memberikan hasil yang lebih stabil kerana mengemas kini statistiknya menggunakan set data kecil boleh menjejaskan ketepatan.
Berwaspada terhadap Terlebih Padan
Penalaan halus menambah banyak parameter yang boleh dilatih, jadi risiko terlebih padan meningkat. Tangani risiko ini dengan penambahan data, dropout dan EarlyStopping berdasarkan kehilangan pengesahan.
from tensorflow.keras.callbacks import EarlyStopping
stop = EarlyStopping(monitor="val_loss",
patience=4,
restore_best_weights=True)Menyatukan Semuanya
Proses penalaan halus yang kukuh: latih head, nyahbekukan lapisan teratas, bekukan BN, kompil semula pada 1e-5, kemudian latih dengan penjadual dan penghentian awal. Sentiasa bandingkan ketepatan pengesahan sebelum dan selepas untuk memastikan penalaan halus benar-benar membantu.
Semakan Pantas
Uji pengetahuan penalaan halus anda.
Imbas Kembali
Anda telah mempelajari cara melakukan penalaan halus dengan menetapkan base.trainable=True, membekukan semula N lapisan pertama, mengompil semula pada kadar pembelajaran yang sangat kecil (1e-5), dan menjalankan proses dua fasa. Penjadual kadar pembelajaran serta penghentian awal membantu mengekalkannya agar stabil, dan lapisan BatchNorm memerlukan perhatian khusus. Seterusnya: model ringan untuk pelaksanaan pada peranti pinggir.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Penalaan Halus: Menyahbeku dan Melatih Semula” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Penalaan Halus: Menyahbeku dan Melatih Semula”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Penalaan Halus: Menyahbeku dan Melatih Semula”?
base_model.trainable = True, menyahbeku lapisan satu demi satu, kadar pembelajaran berbeza. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “Penalaan Halus: Menyahbeku dan Melatih Semula” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Konsep dan Strategi Pembelajaran Pemindahan
- Menggunakan VGG16 dan ResNet50 sebagai Model Asas
- Penalaan Halus: Menyahbeku dan Melatih Semula
- MobileNet dan EfficientNet untuk Pelaksanaan di Peranti Pinggir