https://github.com/huaweicloud/ModelArts-Lab/issues/219
本期實戰為圖像分類第三期。本期實戰，本期我們将會以 “VGG16模型” 為例，講解深度學習中模型調參和網絡優化的技巧。
- 【本期實戰内容】
- 圖像分類模型參數&網絡調優案例：https://github.com/huaweicloud/ModelArts-Lab/tree/master/notebook/DL_image_hyperparameter_tuning
- 【加入實戰微信群】
- 歡迎您自由加入本期實戰營的微信群，與 ModelArts 社群開發者一起交流
- 請添加 “華為雲 EI 微信小助手” 後，拉您入群（微信号：hwyeiqyzn）
- 【留下實戰記錄】
- 請您在本則 Issue 下方跟帖回報：華為雲賬号 + 完成實戰的截圖。
- 回報資訊格式，請參考如下 @sunbo57123 的樣例：
- 【本期積分規則】
- 第三期任務00-03，完成後按照老規矩獲得1個積分。調參沒有固定規則，經驗總結十分重要，除了實驗中進行講解的調優方法，希望各位AI大神能夠将将自己的調優經驗分享出來。網絡不設限制，比如 ResNet、ResNet+FPN（ROI IoU 等）、MobileNet 調優等，内容随心您定，調優的方法、思路、實踐過程等等，鼓勵幹貨滿滿的原創案例分享。擴充案例的送出形式統一為 ModelArts Notebook 為載體，能夠複現為核心，送出評分采用社群commiter 讨論的形式，内容相似度過高的文章，按照送出時間+能夠有效複現的形式取第1篇哦
00任務中：
- 回報兩次各訓練 5個epoch（共10個epoch）後的運作結果+準确率變化折線圖
- 回報帶有早停的運作結果
- 拓展(非必選)：可以嘗試自己定義學習率衰減規律。使用 LearningRateScheduler 方法，自己定義學習率衰減。并且将結果分享，大家共同讨論和改進。
01任務中：
- 任意一個優化器的結果和準确率折線圖（5 epoch）
- 拓展（非必選）：多epoch（epoch>30）在不同優化器下的代碼和運作結果及準确率折線圖
02任務中：
資料增廣案例訓練時間較長，為了防止ipynb檔案運作時丢失kernel的連結，導緻無法檢視結果，建議開發者實踐時将ipynb檔案轉換為py檔案，并在terminal中執行。步驟如下：
- ipynb檔案轉換成py檔案
【華為雲 ModelArts-Lab AI實戰營】第三期：圖像分類 (III) 模型參數&網絡調優
轉換後得到一個同名的.py檔案，由于ipynb中編寫了很多jupyter環境中支援的特定指令，是以需要将一些特定指令進行處理，包括：
1. 以 ! 開頭的shell指令，使用Python subprocess庫代替
2. %matplotlib inline 聲明，無法在python環境中運作，直接删除
3. matplotlib的plot指令，在Terminal中無法直接使用，需要設定matplotlib.use('Agg')
由于處理過程較為複雜，我們直接提供了轉換好的02_data_augumentation.py
- 在Terminal中執行指令
首先，建立一個terminal：
在terminal中，先更新conda相關環境變量，執行指令
source /opt/conda/etc/profile.d/conda.sh
，然後執行
conda env list
指令，檢視conda環境，并切換到Tensorflow環境（根據Notebook規格，環境名稱可能有所不同）：
執行py檔案：
nohup python 02_data_augumentation.py > data-aug.log &
，然後再敲一個Enter鍵。這樣，我們用nohup啟動了一個背景執行的程序，并将訓練的結果輸入到data-aug.log檔案中，在Terminal中，可以使用tail指令檢視日志檔案的内容，執行
tail -f data-aug.log
：
背景程序運作結束後，我們得到
data-aug.log
和
data-aug-plot.png
兩個檔案
積分所需檔案
- data-aug.log檔案
- matplot儲存的準确率曲線圖data-aug-plot.png
03任務中：
- 隻訓練分類層的日志和準确率曲線圖：
- 訓練所有參數的日志和準确率曲線圖：
- 【手動停止服務】
- 實驗完成後，請手動停止占用雲資源的服務，如：停止 “開發環境” 中所建立的 Notebook 以及 “部署上線”-“線上服務” 中所部署的線上服務，以避免因持續占用雲資源導緻資源包無謂消耗和欠費發生。需使用時，再啟動即可。