神经网络的一致性
时间：2022-03-16 09:42:02 | 来源：行业动态
时间：2022-03-16 09:42:02 来源：行业动态
：在项目中提供3个train_model_xxx.ipynb，其中train_model.ipynb使用最经典的AlexNet神经网络进行训练，其对应的演示脚本就是前一篇文章的live_demo.ipynb，这是针对AlexNet神经网络的推理应用。
如果在这里选择使用改良过的ResNet18神经网络（train_model_resnet18.ipynb脚本），则演示的时候就得使用相同神经网络的live_demo_resnet18.ipynb，这些对应不能有错。
至于还有两个与trt相关的演示脚本，也都是基于ResNet18神经网络的延伸功能，先用live_demo_resnet18_build_trt.ipynb脚本将best_model.pth转换成TensorRT加速引擎的best_model_trt.pth，再用live_demo_resnet18_trt.ipynb调用进行演示，这会在推理过程使用更少的计算资源。
另外还有个train_model_plot.ipynb训练脚本，则是在AlexNet神经网络基础上添加可视化的检视功能，对于模型训训练并没有什么影响。
训练脚本里面的绝大部分参数都是经过优化处理的，除非您对这个神经网络相当熟悉，否则就不需要去改动，除了以下3个可以进行调整：
- batch_size：在Create data loaders to load data in batches步骤的train_loader与test_loader的batch_size可以根据设备显存进行调整。
- NUM_EPOCHS：训练回合数，基本上用30回应该足够，通常20回可能已经进入收敛状态。
- BEST_MODEL_PATH：最终输出文件名，这个训练脚本会在训练回合数中找出精确度最高的一次结果，然后存成指定文件名。如果您要面向多个不同场地的话，可能需要训练多个模型，就可以自行设定。
-
在线咨询
