迁移学习darknet模型，epoch学习率应该怎么设置

目录

第一训练平安标注数据分析：

如何设置epoch和学习率

---

关于maxbatches与学习率的关系，参看：darknet分类，迁移学习，还没有达到预期，学习率降为0了，怎么破？

关于cfg文件参数说明，参看：Darknet模型中cfg文件理解与说明

第一训练平安标注数据分析：

第一训练模型参数：

batch= 16
subdivisions= 4
learning_rate=0.01
policy=poly
power=4
max_batches=250000

学习曲线：

训练时间：2020年6月23日 16:00-2020年6月24日 10:00

训练结果：

显然，损失没有下降，计算此时训练epoch=（191400-152000）*16/29416=21次

其中：29416是本次训练图片张数，16是参数batch的值，每16张进行一次反向传播。

如何设置epoch和学习率

设置的epotch100的时候结果还可以接受，当设置过大的时候结果反而变差了。

为了防止快速陷入局部最优，最常用的方法就是使用较小的学习速率，也就是降低learning rate。learning rate小了，为了将数据学充分，自然就要增加学习次数。也就是增加epoch.

batch一般用128，epoch是一般把数据集遍历几遍，大部分用10个epoch，剩下你就知道了

yolo v1的论文中，作者设置epoch为130，学习速率也是根据epoch变化而变化的

如果设置epoch=128，那么需要迭代的次数为：29416*128/16=235328

其中16是batch的值，每次迭代训练的图片张数，128=epoch,29416是训练的图片总数

所以maxbatches=152000+235328=387328

这里把maxbatches设置为400000

batch= 16
subdivisions= 4
learning_rate=0.01
policy=poly
power=4
max_batches=400000

学习率变化曲线：

若学习率为0.02，则学习曲线为：

​​​​​​​