基于PaddleX的模型演习的过程：

1、利用paddlex自带命令划分数据集，划分比例一样平常比例，演习集：验证集：测试集=7:2:1

1.1.图像分类任务：在命令行下输入如下命令

paddlex --split_dataset --format ImageNet --dataset_dir MyDataset --val_value 0.2 --test_value 0.1

1.2.目标检测任务：在命令行输入如何命令

paddlex --split_dataset --format VOC --dataset_dir MyDataset --val_value 0.2 --test_value 0.1

个中参数：

--dataset_dir：数据集目录

--format：数据集格式

--val_value：验证集比例

--val_test：测试集比例

划分完成后，会在数据集目录里自动天生4个文件,用于后面的模型演习。

labels.***：分类名称或目标名称

test_list.***：测试数据

train_list.***：演习数据

val_list.***：验证数据

train_transforms = T.Compose([ T.RandomResizeByShort( short_sizes=[640, 672, 704, 736, 768, 800], max_size=1333, interp='CUBIC'), T.RandomHorizontalFlip(), T.Normalize( mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])eval_transforms = T.Compose([ T.ResizeByShort(short_size=800, max_size=1333, interp='CUBIC'), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])

解释：为了简化代码，默认参数可以省略不写。
根据须要选择得当的增强操作。

详细API解释：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/transforms/transforms.md

train_dataset = pdx.datasets.VOCDetection( data_dir='goods', file_list='goods/train_list.***', label_list='goods/labels.***', transforms=train_transforms, shuffle=True)eval_dataset = pdx.datasets.VOCDetection( data_dir='goods', file_list='goods/val_list.***', label_list='goods/labels.***', transforms=eval_transforms, shuffle=False)

参数解释：

data_dir：数据集目录

file_list：演习数据文件

label_list：标签文件

transforms：数据增强

shuffle：是否开启乱序

num_classes = len(train_dataset.labels)model = pdx.det.FasterRCNN( num_classes=num_classes, backbone='ResNet50', with_fpn=True)

解释：这里紧张选择算法模型和backbone骨干网

详细API解释：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/models/detection.md

model.train( num_epochs=12, train_dataset=train_dataset, train_batch_size=2, eval_dataset=eval_dataset, learning_rate=0.0025, lr_decay_epochs=[8, 11], warmup_steps=500, warmup_start_lr=0.00025, save_dir='output/faster_rcnn_r50_fpn', use_vdl=True)

参数解释：

num_epochs：是模型演习迭代的总轮数(模型对演习集全部样本过一遍即为一个epoch)，用户可以设置较大的数值，根据模型迭代过程在验证集上的指标表现，来判断模型是否收敛，进而提前终止演习。

train_dataset：演习集

train_batch_size：指模型在演习过程中，前向打算一次(即为一个step)所用到的样本数量，Batch Size跟机器的显存/内存高度干系，batch_size越高，所花费的显存/内存就越高，如若演习时提示GPU显存不敷，则相应调低BatchSize。

eval_dataset：验证集

learning_rate：学习率

lr_decay_epochs：用于让学习率在模型演习后期逐步衰减，它一样平常是一个list，如[6, 8, 10]，表示学习率在第6个epoch时衰减一次，第8个epoch时再衰减一次，第10个epoch时再衰减一次。
每次学习率衰减为之前的学习率lr_decay_gamma。

warmup_steps，warmup_start_lr：在演习模型时，一样平常都会利用预演习模型，例如检测模型在演习时利用backbone在ImageNet数据集上的预演习权重。
但由于在自行演习时，自己的数据与ImageNet数据集存在较大的差异，可能会一开始由于梯度过大使得演习涌现问题，这种情形下可以在刚开始演习时，让学习率以一个较小的值，逐步增长到设定的学习率。
warmup_steps和warmup_start_lr便是起到这个浸染，模型开始演习时，学习率会从warmup_start_lr开始，在warmup_steps个batch数据迭代后线性增长到设定的学习率。

save_dir：演习模型保存的目录

use_vdl：是否开启可视化剖析。