回答：现阶段深度学习已经进入稳定阶段，已经很少需要一些很小的技巧了，尤其是在工程实践方面。往往学习率等超参数依靠经验设置一下就能基本将模型训练好。此外精调学习率超参数能取得的提升也往往是较小的，而且很容易过拟合，在应用场景上影响不大。除非是一个开源的数据集或者比赛数据集，测试集基本不变，通过精调这些参能“过拟合”测试集，获得一些提升。

2.Code Pipeline

一般cv模型的代码都是由这几个模块构成，Data(dataset/dataloader),model本身，optimizer优化器，loss functions，再加上一个trainer其实就是组织整个框架的训练顺序，不太会出错）。如果要构建一个模型，就是依次构建这些地方。

作者：没有故事只有酒
链接：https://www.zhihu.com/question/25097993/answer/2812858376
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
 

2.1 Data

dataset 构建基本不会有啥问题，构建好了后需要检查一下 输出的数据读取是否正确，同一个batch的数据是否符合需要的逻辑；

2.2 Model

模型这块其实出错的问题也不多，

1. 模型代码：如果不是自己写新网络，用一些现有的ResNet, Transformer之类的，在对应的开源代码复制就行，需要魔改的话记得修改的部分bug free，基本就不会出现什么问题；
2. 参数初始化：现在的模型初始化（model.init）pytorch 已经内置的挺好了，比如初始化，初始化等，不太需要自己刻意专门的初始化，就能正常训；
3. 使用 pretrained 模型时记得把 load 过程打印出来，保证模型被 load 了。
4. 如果有不懂的 code，请去开源的代码里找，然后复制过来学习参考过来。

2.3 Optimizer

优化器相对能说的点 会多一些

1. 万能模板 Adam + Cos退火 构建基础：初始构建时选 Adam 优化器（也可以AdamW），超参数跟其他开源代码保持一致，学习率初始时可以设置，可以适当进行调整，基本就在之间，我这里说的也只是一个经验的参数。你要问为什么，很多大神就用的这个参数，而且这个参数也确实能训好，还是经验。学习率变化选择 warm-up + cos退火，训练epoch可以随便选，比如10,100，等等，具体得看你这个学习任务，选一个更优的就行。假如是10个，可以第1个epoch用warm-up逐步增大lr，然后1~9epoch就 cos 下降lr，终点是9，cos lr结束值设置为一个很小的数等等。你要是想问为啥 warm刚结束就开始 cos 退火，因为不知道这个数据集咋样，所以就让 lr 缓慢下降就行。一般这样，就能保证模型收敛了。
2. 如果在 上面基础上，想进一步精调，可以把 epoch 进行网格搜索，看看多少个epoch合适。可以每个epoch在测试集上test一下，不用非得设计的很精准，最终模型我们可以使用中间的checkpoint；
3. 同样，lr也可以调调，适当放大缩小看看，cos 退化的起始点或者 warm-up的持续时长，也可以试试改改，但是有时候调了作用不大，需要精调的可以试试；
4. 一般按上述过程，就能训一个收敛的模型，但你说还想进一步提升，可以试试阶梯下降（step delay）的lr衰减策略，因为通过上面过程，epoch，lr初始值基本就拿捏了，可以固定lr值，然后训，发现损失不咋下降了，设置一个 在这个时间点下降 0.1 倍（一般都是10倍下降，经验值，你要说下降一般，也行），然后设置后继续训练，不下降后继续缩小 0.1 倍，这样就大概知道需要的 step 步长了。如果觉得这样比较麻烦，可以固定下降步长为某一值，比如 2 epoch，然后试试 3 epoch, 4 epoch（挨个试的过程也被称为 网格搜索），试一个最优的。（突然想起来一件事，和我打比赛的学弟说你调参调的可以啊，咋调的弄这么高。。。我都不想说我他娘的是 一个个试出来的，不就是网格搜索，哪有啥大技巧（尴尬哈哈））这里提示一下，调参时一定要先 文字记录，然后跑模型 填空，一定要保证 自己知道自己这个实验的目的是什么，这很重要
5. 还想进一步榨干模型，行，推荐使用 SGD（SGD+Momentum），SDG更难训，但一般最优模型也更好。SGD一般初始学习率为 0.1（具体还得调），然后选择Cos 或者 Step 下降，具体方法跟 Adam 类似，就网格搜索就行，Epoch 的总长度两个基本一致。
6. 此外，要保证 model 的参数被加载到 optimizer 里了，比如你先后创建了 model1, optimizer, model2，结果你的 model2 的参数未添加到 optimizer里，这部分参数就没参与学习，有可能最后发现结果一直很差，其实是因为模型根本没训练。

2.4 Loss

loss是基本不会出错的地方，但loss也是最容易出错的地方。

1. loss 函数本身基本不会出错，使用已有loss 一般要保证逻辑是无误的，不会出现一些 log(0) 的操作；
2. 但模型训练时 总会 loss 值出错，如果 NaN 了，需要看一下，是训练过程中 NaN 了还是第一下就 NaN，一般 NaN 就是梯度爆炸，如果使用的是已有网络，并且 bug free，必须是 Bug free，对修改的地方要多检查，那么从以下考虑：
   1. 先定位到 NaN 出现的时候，在NaN 的时候依次排查
   2. data无误，即 model input 的原始数据 是没问题的，这样就排除了 data 影响，其实排除data 就是把 dataloader 空跑一遍，用 torch.isnan 或者别的方法进行检测，看看源数据是否正确；
   3. loss 无误，即这个 NaN 不是因为 Log(0) 等操作引其的，这个需要排查 loss 函数计算；
   4. model 无误，最后是 model 无误，这个比较难排查，你可以把修改部分的代码复原进行训练，控制变量法找到是不是model的原因。
   5. 如果实现无法解决，梯度 CLIP 防止 NaN 也行，但这样可能治标不治本，不知道为啥 NaN，但是有时候可以继续训。不过我有次经验表示，有时候 Clip 正常的模型，会导致性能下降。就是本来一个模型是正常收敛的，但是我也添加了 clip，最后导致性能不如之前，删除clip后又重新恢复原先的精度。

最后，说一个万能方法，也是我一直在践行的方法：如果你不知道怎么办，怎么训这个网络，怎么改，用什么 optimizer，学习率，数据增广，去看一些杰作是大佬的代码怎么搞的，比如 ViT，比如Clip，SimCLR，看看他们咋搞的，copy过来学习学习总是好的，说白了，调参里面很多经验的东西，学习好的code才是硬道理