深度学习炼丹心得

最新推荐文章于 2025-12-16 22:32:25 发布

原创最新推荐文章于 2025-12-16 22:32:25 发布 · 300 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #python #流场处理

部署运行你感兴趣的模型镜像

1.如果图像中出现大块的斑点，请检查上采样的过程，是否是使用了nn.convTranspose,连续的使用，而导致网络无法采集到全局信息而出现局部斑点。

改进方法：利用F.interpolate+conv2d配合取代原来的nn.convTranspose

2.如果图像的SSIM和PSNR参数一直处于很低的状态（SSIM远远小于90，PSNR远远小于40），则检查是否对图像数据进行归一化。

改进办法：对整个数据集进行最值寻找，然后进行归一化，具体的方法参考链接：

遍历整个文件夹中excel,寻找最值（归一化）-优快云博客

PS：一定对寻找出的最值进行记录，因为后续需要反归一化

3.炼丹的过程中建议tensorboard和visdom两个图像可视化工具联合使用，以此明确是网络哪层的效果存在问题。

visdom使用时所遇的问题及解决方法_用visdom效果变差-优快云博客

以上是目前对模型训练的心得，仅供参考

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.9

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。它提供了一个灵活的平台,用于构建和训练各种机器学习模型

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

冰虺

关注关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

深度学习系列资料总结

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

07-17

2万+

说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................

AutoDL使用炼丹心得

小白爱学习

11-18

1097

导语：在深度学习领域，拥有一块高性能的GPU是提升模型训练速度和效果的关键。然而，对于许多个人研究者和小型企业来说，购买高性能GPU的成本较高，且使用效率可能不高。今天，我将为大家介绍两款深度学习领域的利器——AutoDL和CodeWithGPU.com，它们将帮助你以低成本、高效能的方式体验深度学习的乐趣。AutoDL是一个非常实用的工具，可以帮助你轻松地租用GPU并进行深度学习实践。无论是初学者还是有经验的研究者，都可以从中受益。

参与评论您还未登录，请先登录后发表或查看评论

在深度学习领域，会 “炼丹” 到底算不算本事？

2501_91695603的博客

04-24

894

在深度学习的圈子里，“炼丹” 这个词常常被大家挂在嘴边。有人调侃 “炼丹师” 是在黑暗中摸索的神秘职业，也有人质疑 “炼丹” 不过是重复调参的体力活。但实际上，深度学习会 “炼丹” 不仅是本事，更是一门含金量极高的技术活！今天，就让我们揭开 “炼丹” 的神秘面纱，看看它究竟 “神” 在哪里🧐一、“炼丹” 究竟炼的是什么？在深度学习中，“炼丹” 通常指的是模型调优的过程，包括超参数调整、数据预处理优化、模型结构微调等一系列操作。

深度学习调参最全经验总结

rlczddl的博客

10-06

7127

本文结合自身工作和网上诸多炼丹者的经验，按不同模块梳理了有关深度学习调参的大量经验心得。特别地，加黑部分是笔者在实际项目中验证有效的。如有侵权请联系删除，如有错误欢迎评论指出。

深度学习模型训练之炼丹心得

weixin_38682454的博客

04-11

2172

最近炼丹，网络往往什么都学不到= =，不仅怀疑，看到一份英文的炼丹指南，记录一些心得。英文链接：37 Reasons why your Neural Network is notworking 紧急手段使用已知适用于此类数据的简单模型（例如，VGG用于图像）。如果可以，使用标准损失。停掉所有的花里胡哨，例如正则化和数据增强。如果是微调模型，请仔细检查数据...

记录一下这些年的炼丹心得

老哥的博客

01-12

233

深度学习炼丹经验总结。

深度学习调参技巧总结

Fantastic

09-19

4515

本文章参考：写给新手炼丹师：2021版调参上分手册寻找合适的学习率学习率是一个非常重要的超参数，在面对不同规模的网络、不同batch-size、不同优化方式，不同数据集，甚至可能不同时间段训练的合适值都不确定。我们唯一可以做的是在训练中不断寻找最合适当前状态的学习率。比如利用fastai中的lr_find()函数寻找合适的学习率。 how do you find a good learning rate 如何找到好的学习率 Cyclical Learning Rates for Training N

租用GPU服务器跑深度学习模型心得

G3113542273的博客

11-27

304

如果你的模型是BERT-base、ResNet-50这个量级，且数据集不大，一张消费级显卡（如RTX 3080/4090）完全够用，本地更省心。这些是专门为AI开发者服务的平台，通常对主流框架和环境做了深度优化，开箱即用，性价比极高，特别适合个人开发者和研究者。V100：上一代旗舰，现在仍有不少存量，性能依然不错，如果价格合适可以考虑。起步建议：如果你是第一次使用，强烈建议从一个按量付费的RTX 3090实例开始，选择一个PyTorch镜像，跑一个MNIST或CIFAR-10的demo，熟悉整个流程。

PaddlePaddle21天深度学习训练营学习心得

lvfang0912的博客

11-09

1246

PaddlePaddle21天深度学习训练营学习心得一直都没有写公开心得的习惯，因为一路上都在不断犯错，错误的理解，错误的观点，错误的代码，自己并非科班出身（学了7年的规划学科），常常担心会误导了别人。我是一个做笔记的时候功利心贼强的人，会考虑笔记相比于原始的学习资料能不能更有价值，会考虑日后能不能再拿起来回顾，害怕自己做了无用功。所以往往都是写一些记录要点或有关自己思考的学习笔记，并且很挫败的是，大多没能坚持到最后。最近也在找工作，发现一直埋头苦干往往不能真正体现自身的价值，所以也想开始学会输出一些东西

炼丹心得（深度学习的模型训练）对于一些情况及时进行训练参数调整的必要性（学习率LR的调整是首要）归纳一些涨点方法

qq_45756171的博客

02-06

4074

前言在训练网络的时候，常常会出现loss出现非常明显的剧烈抖动情况，虽然大多数情况可以继续训练下去，但是实际上还是预示着问题存在。而且，有不同维度的问题，这也需要不同的解决方法，但是具体究竟是哪一种，还得具体情况具体分析。无过拟合是否找到合适的loss函数：在深度学习里面，不同的loss针对的任务是有不同的，有些loss函数比较通用例如L1/L2等，而如perceptual loss则比较适合在图像恢复/生成领域的任务上。当loss出现问题的适合，想一想，是不是loss设置的有问题，别人在此领域的任务

深度学习工程应用快速入门

GitChat

07-01

3400

课程介绍伴随人工智能时代的到来，深度学习技术也发挥着越来越重要作用，越来越多的技术人才开始投身入这一行业中，并希望发展成为一名深度学习算法工程师。然而，在实际的工程设计中，深度学习研发者总会面临着各种问题与困惑，比如：我们在设计深度网络的时候有什么技巧和原则吗？ VGG、ResNet 网络如何应用在实际的芯片上？ BN 层应该放在哪里比较合理？网络越深越好还是越宽越好？训练时如此多的优化...

【文献阅读】DP-Site：一种基于双重深度学习的蛋白质-肽相互作用位点预测方法

weixin_42038527的博客

12-16

763

研究团队开发了一款名为DP-Site的AI工具，仅需分析蛋白质的氨基酸序列（“设计图”），就能精准锁定小分子药物的潜在“靶点”。DP-Site的核心创新在于其 “双专家会诊”模式。一位是“图像专家”，擅长分析序列的局部结构特征；另一位是“语义专家”，擅长理解序列的全局上下文信息。两者协同工作，使其预测综合性能（F1分数）达到0.661，超越此前所有方法。

【CNN与卷积神经网络（吴恩达）】卷积神经网络学习笔记

qq_62361050的博客

12-12

1062

池化层类似卷积运算，在这里举一个最大池化的例子，即在一个4x4的图像中采用一个2x2的核，这个《核》只是对对应区域进行取最大值计算，以步长为2进行移动计算，在每次计算中取区域中的最大值，这样就可以提取出图像中的最显著的特征。以下是对于三维卷积中一些尺寸数据的描述，和二维卷积相似，只不过在n x n后面新加了一个尺寸数据nc，这个nc即表示图像的通道数，剩余对于输出图像的尺寸的计算公式和二维卷积下的一模一样。这种卷积下的卷积核和二维卷积是一样的，只不过由于有三个图像矩阵，所以应该对应有三层卷积核，即。

基于深度学习的肾结石检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

ningfoshao8678的博客

12-16

905

本文介绍了基于YOLO目标检测算法开发的肾结石检测系统。该系统支持图片、视频、文件夹批量及摄像头实时检测，包含用户登录、多模型切换等功能。技术栈采用Python3.10、PyQt5和SQLite，对比了YOLOv5/v8/v11/v12四种模型性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统在17000张肾脏影像数据集上训练，mAP@0.5达90%，F1值0.86，能有效识别肾结石位置并显示置信度。

深度学习中 z-score 标准化理解

musk1212的博客

12-11

1165

摘要： z-score标准化是深度学习中关键的数据预处理方法，通过将数据转换为均值为0、标准差为1的分布，有效提升模型训练效率并消除特征量纲差异。其核心公式为z=(x-μ)/σ，适用于加速收敛、平衡多特征权重及异常值检测等场景。与Min-Max归一化相比，z-score对异常值更鲁棒，是神经网络训练的首选方法。需注意避免数据泄露问题（测试集必须使用训练集的μ和σ），并处理标准差为0的特殊情况。批量归一化(BatchNorm)是z-score的动态扩展版本。

深度学习理论与实战：反向传播、参数初始化与优化算法全解析

2501_92613722的博客

12-16

843

深度学习训练核心闭环：精准算梯度、合理初始化参数、高效更参数反向传播：链式求导为基，从损失反向回溯算梯度，附 Sigmoid 实例参数初始化：讲手动 / 经典方法，Module 初始化技巧与核心原则、选择优化算法：SGD 为基，动量法 / Adagrad/RMSProp/Adadelta/Adam 解析与对比核心总结：反向传播、初始化、优化算法要点及训练细节

机器学习与深度学习基础（五）：深度神经网络经典架构简介

TracyCoder的博客

12-11

842

本文学习要点：1.深度神经网络分层架构：全连接层卷积层池化层2.深度神经网络代表:CNN：CNN、AlexNet、VGG-Net、GoogLeNet（Inception）、ResNet（残差连接）编码器-解码器架构：序列到序列模型（Seq2Seq）

【深度学习新浪潮】用AI工具解析美联储新闻，搭建量化投资分析流水线