【深度之眼】Pytorch框架班第五期-Week7【任务1】第二节:Finetune

本文探讨了机器学习分支——迁移学习,介绍了如何将源域知识应用于目标域,并详细讲解了模型微调的过程,包括预训练模型参数的获取、模型加载、输出层修改及训练方法。
部署运行你感兴趣的模型镜像

Transfer Learning & Model Finetune

模型微调

Transfer Learning: 机器学习分支,研究源域(source domain)的知识如何应用到目标域(target domain).
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

模型微调步骤:

1、获取预训练模型参数
2、加载模型(load_state_dict)
3、修改输出层

在这里插入图片描述

模型微调训练方法:

1、固定预训练的参数(requires_grad=False, lr=0)
2、Features Extractor较小学习率(params_groups)

Pytorch中的Finetune

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型(Large Language Model)训练与微调平台。通过 LLaMA Factory,可以在无需编写任何代码的前提下,在本地完成上百种预训练模型的微调

【顶刊TAC复现】事件触发模型参考自适应控制(ETC+MRAC):针对非线性参数不确定性线性部分时变连续系统研究(Matlab代码实现)内容概要:本文档介绍了“事件触发模型参考自适应控制(ETC+MRAC)”的研究与Matlab代码实现,聚焦于存在非线性参数不确定性且具有时变线性部分的连续系统。该研究复现了顶刊IEEE Transactions on Automatic Control(TAC)的相关成果,重点在于通过事件触发机制减少控制器更新频率,提升系统资源利用效率,同时结合模型参考自适应控制策略增强系统对参数不确定性和外部扰动的鲁棒性。文档还展示了大量相关科研方向的技术服务内容,涵盖智能优化算法、机器学习、路径规划、电力系统、信号处理等多个领域,并提供了Matlab仿真辅导服务及相关资源下载链接。; 适合人群:具备自动控制理论基础、非线性系统分析背景以及Matlab编程能力的研究生、博士生及科研人员,尤其适合从事控制理论与工程应用研究的专业人士。; 使用场景及目标:① 复现顶刊TAC关于ETC+MRAC的先进控制方法,用于非线性时变系统的稳定性与性能优化研究;② 学习事件触发机制在节约通信与计算资源方面的优势;③ 掌握模型参考自适应控制的设计思路及其在不确定系统中的应用;④ 借助提供的丰富案例与代码资源开展科研项目、论文撰写或算法验证。; 阅读建议:建议读者结合控制理论基础知识,重点理解事件触发条件的设计原理与自适应律的构建过程,运行并调试所提供的Matlab代码以加深对算法实现细节的理解,同时可参考文中列举的其他研究方向拓展应用场景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值