大模型高效调参策略（下） - 链载Ai

trick 4：关于调参

调参一定要做好笔记，每次只调1个参数。

有哪些参数可以调呢?

4.1 关于 Loss function 调参策略

是Model和数据之外，第三重要的参数。具体使用MSE、Cross entropy、Focal还是其他自定义，需要具体问题具体分析。

4.2 关于 Learning rate 和 batch size 调参策略

Learningrate和batch size是两个重要的参数，而且二者也是相互影响的，在反向传播时直接影响梯度。一般情况下，先调batchsize，再调learning rate。
batch size不能太大，也不能太小，一般设置为16的倍数。

太小会浪费计算资源，
太大则会浪费内存;
特殊情况：batch size 在表示学习，对比学习领域一般越大越好，显存不够上累计梯度，否则模型可能不收敛… 其他领域看情况;

如果使用微调，则learningrate设置：

一般nlp bert类模型在1e-5级别附近，warmup，衰减;
cv类模型在1e-3级别附近，衰减;具体需要多尝试一下。

learningrate设置上有很多trick,包括cosing learning rate，warmup，衰减等。

4.3 关于 Epoch number 和 early stopping 调参策略

Epoch number和Early stopping是息息相关的，需要输出loss看一下，到底是什么epoch9时效果最好，及时early stopping；
Epoch越大，会浪费计算资源;epoch太小，则训练模型提取特征没到极致；
此外，也要明自Epoch、lteration、batchsize的关系。

注：

不要过早的early stopping，有时候收敛平台在后段

对于数据量巨大的推荐系统的模型来说一个epoch足矣，再多就会过拟合。

4.4 关于 Optimizer 调参策略

Adam和SGDM是最常用的两个，前者能快速收敛，后者收敛慢但最终精度更高。现在大家会先使用Adam快速收敛，后面再用SGDM提升精度。
如果必须二选一的话，我会推荐Adam。

注：nlp，抽象层次较高或目标函数非常不平滑的任务优先使用adam，其他可以尝试下sgd(一般需要的迭代次数高于sgd)

4.5 关于 Activation function 调参策略

ReLu、Sigmoid、Softmax、Tanh是最常用的4个激活函数9。
对于输出层，常用sigmoid9和softMax激活函数，中间层Q常用ReLu激活函数，RNN常用Tanh激活函数。

4.6 关于 Weights initialization 调参策略

预训练参数是最好的参数初始化方式，其次是Xavir。

4.7 关于 Regularization 调参策略

Dropout虽然思想很简单，但效果出奇的好，现在大部分任务都需要使用预训练型，要注意型内部dropout ratio是一个很重要的参数，首选0.5，使用默认值不一定最优，有时候dropoutreset到0有奇效；

4.8 关于 Validation 调参策略

在 Validation 筛选模型参数时，可以除loss函数9外，设置某种规则引导模型向某个想要的方向去更新参数。

trick 5：模型训练过拟合和欠拟合问题？

模型训练过程中的过拟合（Overfitting）和欠拟合（Underfitting）是两个常见的问题，它们影响模型的泛化能力，即模型在未见过的新数据上的表现。

5.1 欠拟合（Underfitting）

欠拟合（Underfitting）判断：欠拟合发生时，模型无法捕捉数据中的底层模式，导致模型在训练数据上表现不佳，同时在测试数据上的表现也会较差
欠拟合（Underfitting）发生原因：其主要原因是模型过于简单，不足以表达数据集中的复杂关系。欠拟合的迹象包括训练误差和验证误差都很高，且两者接近。
解决欠拟合的方法包括：

增加模型复杂度：通过增加网络层数、节点数或使用更复杂的模型结构来提高模型的表达能力。
增加特征：引入更多相关特征，帮助模型更好地理解数据。
调整模型参数：优化模型参数设置，如学习率、批次大小等，以促进更好的学习。
减少正则化强度：如果使用了正则化但模型依然欠拟合，可能需要减小正则化参数。

5.2 过拟合（Overfitting）

过拟合（Overfitting）危害：过拟合的特征是训练误差很低，而验证或测试误差较高
过拟合（Overfitting）发生原因：过拟合则是模型在训练数据上表现过于优秀，以至于它学习到了训练数据中的噪声和偶然特性，而不是数据的真实分布。这导致模型在未见过的测试数据上的表现显著下降。
解决过拟合（Overfitting）的方法包括：

增加训练数据：更多的数据可以帮助模型更好地泛化。
正则化：通过在损失函数中加入正则项（如L1、L2正则化），限制模型参数的大小，避免参数过度优化训练数据中的细节。
早停法（Early Stopping）：在验证集上的性能不再提升时停止训练。
交叉验证：使用K折交叉验证等方法更准确地评估模型性能，避免过拟合。
Dropout：随机“丢弃”一部分神经元，减少模型对特定训练样本的依赖。
数据增强：通过变换原始数据生成额外的训练样本，增加模型的泛化能力。
简化模型：减少模型复杂度，如减少神经网络的层数或节点数，避免不必要的复杂性。

个人经验：如果过拟合，首先是dropout，然后batchnorm，过拟合越严重dropout+bn加的地方就越多，有些直接对embedding层加，有奇效。

trick 6：模型参数初始化方法

linear/cnn一般选用kaiminguniform 或者normalize，embedding一般选择截断normalize，论文很多，可以去看看。

trick 7：Normalization 选择问题

GN，BN和LN都是在神经网络训练时的归一化方法，BN即Batch Normalization，LN即Layer Normalization。

BatchNorm：batch方向做归一化，计算NHW的均值
LayerNorm：channel方向做归一化，计算CHW的均值
InstanceNorm：一个channel内做归一化，计算H*W的均值
GroupNorm：先将channel方向分group，然后每个group内做归一化，计算(C//G)HW的均值

GN与LN和IN有关，这两种标准化方法在训练循环（RNN / LSTM）或生成（GAN）模型方面特别成功。

如何选择：序列输入上LN，非序列上BN

trick 7：模型输出层选择问题

基于banckbone 构建层次化的neck一般都比直接使用最后一层输出要好，reduce function一般attention 优于简单pooling，多任务需要构建不同的qkv

trick 8：随机数种子设定问题

随机数种子设定好，否则很多对比实验结论不一定准确

trick 9：cross validation问题

cross validation方式要结合任务设计，数据标签设计，其中时序数据要避免未来信息泄漏

trick 10：新模型开发前期问题

做新模型的时候，最开始不要加激活函数，不要加batchnorm，不要加dropout，先就纯模型。然后再一步一步的实验，不要过于信赖经典的模型结构(除非它是预训练的)，比如加了dropout一定会有效果，或者加了batchnorm一定会有提升所以先加上，首先你要确定你的模型处于什么阶段，到底是欠拟合还是过拟合，然后再确定解决手段。

trick 11：badcase 分析问题

对于图像和nlp，效果一直不提高，可以尝试自己标注一些模型经常分错的case，然后加入训练会有奇效。