猫狗识别模型训练实战笔记

【猫狗识别模型训练实战笔记】是一篇关于利用趋动云平台进行模型部署和训练的实战经验分享。本文档详细记录了作者如何使用趋动云的免费算力资源，特别是ChatGLM3-6B这一预训练模型，来实现猫狗识别模型的训练。 在【任务一】中，首先介绍了如何注册并使用趋动云平台，通过datawhale的专用注册链接可以获得168点的免费算力。作者创建了一个AI项目，选择了部署ChatGLM3-6B模型。在项目创建过程中，关键步骤包括选择合适的【代码】、【镜像】和【预训练模型】。其中，【镜像】代表了模型运行的环境，包含了框架引擎（如Pytorch或TensorFlow）、Python版本、操作系统（如Ubuntu）、NVIDIA显卡CUDA版本以及CPU或GPU资源。选择的预训练模型是清华智谱AI的ChatGLM3-6B，由用户上传提供，可能是未经参数微调的原始模型。 在【项目创建&资源配置】阶段，作者推荐使用8核CPU、24GB内存、1GB GPU和24GB显存的资源配置。项目运行环境的配置和代码修改是项目成功的关键，这部分需要深入学习和理解。作者提供了教程链接以供参考。 在【任务二】中，作者转向了猫狗识别模型的优化。这一部分涉及到模型训练、调试和性能评估。作者在训练过程中遇到了找不到目标文件的错误，通过分析错误提示和对比教程，成功定位并解决了问题。作者提出了一系列问题，例如神经网络层数的定义依据，离线训练成果的更新方法，模型性能评价标准，代码修改如何影响模型性能，以及发布的saved_model.pb是否即为训练模型等。 通过这个实战项目，作者不仅理解了模型训练的基本流程，还对模型调优有了初步认识。猫狗识别模型的优化是一个典型的深度学习应用示例，涉及到数据集处理、模型选择、训练和验证。作者强调了对数据集的理解和处理方法的重要性，以及模型性能的基准测试。此外，还探讨了离线训练成果的发布和资源消耗情况。 这篇笔记为读者提供了一个实际操作的平台，让非编程背景的初学者也能参与到AI模型的部署和训练中，降低入门门槛，并且通过实践学习到了模型训练和优化的关键步骤，为进一步深入学习AI技术打下了基础。