登录地址 EasyDL专业版适用于AI初学者及AI专业工程师，支持一站式获取视觉及自然语言处理两大技术方向相关AI能力，系统内置基于百度海量数据训练的预训练模型及预置网络，可在少量训练数据上达到更优的训练效果。模型部署上可将模型灵活部署为公有云API、私有服务器部署、设备端SDK、软硬一体方案。 EasyDL的公开课

下面讲一下EasyDL做图像分类的一些体会和参数设置：

模型的选择

因为是分类任务，对比了上面图片的2个模型。实测结果是：在同样的参数配置下，百度超大规模数据集的Resnet50的比公开数据集的SE-Resnet50要更好一些。可见模型性能是一方面，训练的数据也非常重要。如果是迁移学习，还是要在超大规模数据集的模型基础上进行迁移。 Resnet50的召回率是 96.1%，SE-Resnet50的召回率是94.1%。其他指标也是百度超大规模数据集的Resnet50更好些。

自动增强和手动增强 数据增强在模型训练中的作用是非常大的。成本比较低，效果比较明显。比起修改模型，完善模型细节，数据增强也更加容易实现。 EasyDL有提供默认配置，手动配置和自动搜索三种数据增强的策略。 手动配置和自动搜索是用户一般选择的策略。如果对数据集有比较深入的研究和体会可以自己设置手动配置。一般用户直接选择自动搜索即可。 自动搜索数据增强策略会占用GPU时间。百度会赠送EasyDL新用户100个小时的GPU训练时间。自动搜索会占用1个小时以上的GPU训练时间。 可以先用自动搜索策略确定数据增强的参数。然后根据自动搜索的结果再进行手动配置。不断尝试找到更理想的数据增强参数。当然这样比较消耗时间。

label_smoothing label_smoothing是个选择项如果设置成true则启用label_smoothing，设置成false则禁止label_smoothing。一般会设置成true。也可以根据当前数据集进行对比测试确定是否启用label_smoothing。

mix-up数据增强 mix-up是个选择项如果设置成true则启用mix-up，设置成false则禁止mix-up。一般会设置成true。也可以根据当前数据集进行对比测试确定是否启用mix-up。

训练集、验证集和评测集 上传数据集以后，EasyDL会自动划分训练集和验证集。评测集需要单独上传。训练的结果受到了训练集和验证集的影响。评测集是单独的数据集，可以更加客观的评价模型的训练结果。如果是验证集更方面指标都比较好，但是评测集不理想则可能发生了过拟合。

batch_size batch_size选择16，这个根据训练GPU的性能决定，尽量选择大的数值。更大的batch_size会有更好的训练效果。

epochs 如果采用了数据增强，一般会增加训练的epochs。数据增强其实增加了数据集的数量，需要增加训练次数。EasyDL的数据增强不会保存增加的数据集，是在训练的过程当中随机产生新数据。

口罩识别可以用分类模型也可以选择目标检测模型。目标检测除了给出分类结果还可以提供目标的位置信息。如果是训练目标检测模型会更复杂一些，训练的时间一般也会更长一些。 口罩佩戴识别是比较基础的深度学习任务。分为戴口罩和不戴口罩。 还可以同时检测口罩是否佩戴正确。正确戴口罩，错误戴口罩和不戴口罩。错误戴口罩还分为戴口罩露鼻子、口罩上下戴反。或者还有其他可以细化的分类。细化分类标签有利于模型训练。可以观察每种分类的准确率，精确率和召回率等。针对性的补充数据再次训练。 口罩识别使用YOLO-V3模型多一些。