深度学习进阶文档深度页
迁移学习与微调
迁移学习复用预训练表示，固定特征、全量微调或逐步解冻。
学习目标
- 解释核心机制
- 手算一个主要形状或公式
- 运行完整示例并排查错误
为什么需要这个概念
迁移学习与微调是该文档中连接数据表示、训练目标和工程实现的核心主题。
- 掌握迁移学习与微调的输入输出与训练边界
- 能够用 PyTorch 代码验证公式和形状
学习前需要掌握
PyTorch Tensor内容待补充神经网络训练循环
背景与问题
迁移学习与微调是该文档中连接数据表示、训练目标和工程实现的核心主题。
概念定义
迁移学习复用预训练表示，固定特征、全量微调或逐步解冻。
直观理解
把迁移学习与微调理解为数据在模型中的一套明确变换，而不是只记一个类名。
核心原理
新头通常较大学习率，预训练层较小；权重预处理是模型资产。
实现时必须同时检查 shape、dtype、mask 或模式切换，并用验证集而不是测试集选择配置。
数学表达
核心公式
迁移学习与微调的核心数学表达。
变量含义
Nbatch sizeD/H特征或隐藏维度
计算步骤
- 1按公式或模块逐步计算
- 2核对输出 shape
代码对应位置
示例 1迁移学习与微调 · PyTorch 示例：验证迁移学习与微调的输入、计算和输出。
变量解释
| 变量 | 含义 |
|---|---|
N | batch size |
D/H | 特征或隐藏维度 |
完整数值示例
迁移学习与微调数值/形状检查
已知条件
- N=8
- D=64
- 1
按公式或模块逐步计算
- 2
核对输出 shape
输出保持 batch 维并符合任务头约定
处理前后对比
计算与实现步骤
- 1
确认输入与目标
- 2
建立最小模块
- 3
随机张量前向
- 4
计算损失
- 5
反向与更新
- 6
验证与错误分析
代码实现
示例 1
迁移学习与微调 · PyTorch 示例
迁移学习与微调 · PyTorch 示例
PyTorch
example_01.py用途：验证迁移学习与微调的输入、计算和输出。
for p in model.parameters():p.requires_grad=False
in_features=model.fc.in_features
model.fc=nn.Linear(in_features,5)
optimizer=torch.optim.AdamW(model.fc.parameters(),lr=1e-3)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
验证迁移学习与微调的输入、计算和输出。
model- 组合预处理和估计器的模型对象。
Step 1 · 1–4 行
代码显式标注输入和输出
for p in model.parameters():p.requires_grad=False
in_features=model.fc.in_features
model.fc=nn.Linear(in_features,5)
optimizer=torch.optim.AdamW(model.fc.parameters(),lr=1e-3)预期输出或运行结果
打印与页面说明一致的张量形状或损失。
常见错误 · 4 条
- 先换头再全冻结
- 解冻未入 optimizer
- 预处理不匹配
- BN 统计未管理
实际应用
- 迁移学习与微调
- 教学与项目基线
常见错误
先换头再全冻结
解冻未入 optimizer
预处理不匹配
BN 统计未管理
文档来源
21_迁移学习与微调原始文档
学习资料/deeplearning/21_迁移学习与微调.md- §1 迁移学习
- §3 策略
- §5–7 冻结与 BN
- §9 阶段框架
常见问题
迁移学习与微调最先检查什么？
先检查输入输出 shape、dtype 和数据边界。
何时使用测试集？
全部设计锁定后最终评估。
推荐学习资料
视频课程A 级
Practical Deep Learning for Coders
以项目驱动方式学习视觉、NLP、表格模型、协同过滤和模型部署。
Jeremy Howard · fast.ai