150 lines
4.0 KiB
Markdown
150 lines
4.0 KiB
Markdown
# CosFace超参数网格搜索使用指南
|
||
|
||
## 概述
|
||
|
||
已完成CosFace超参数网格搜索功能的实施，用于优化`scale (s)`和`margin (m)`两个核心超参数。
|
||
|
||
## 修改文件清单
|
||
|
||
### 1. `requirements.txt`
|
||
- ✅ 添加依赖：`pandas>=2.0.0` 和 `seaborn>=0.12.0`
|
||
|
||
### 2. `train/train_cosface_embedding.py`
|
||
- ✅ `TaskConfig`添加`test_dir`字段
|
||
- ✅ `TASKS`字典中所有任务添加测试集路径
|
||
|
||
### 3. `train/grid_search_cosface.py` (新建)
|
||
- ✅ 完整的网格搜索脚本 (~350行)
|
||
|
||
## 搜索空间配置
|
||
|
||
当前为dish任务配置的搜索空间：
|
||
```python
|
||
GRID_PARAMS = {
|
||
'dish': {
|
||
's': [56.0, 60.0, 64.0, 68.0], # 4个scale值
|
||
'm': [0.32, 0.35, 0.38, 0.40], # 4个margin值
|
||
}
|
||
}
|
||
```
|
||
|
||
**总配置数**: 4 × 4 = **16组实验**
|
||
|
||
## 使用方法
|
||
|
||
### 1. 安装依赖
|
||
```bash
|
||
pip install pandas>=2.0.0 seaborn>=0.12.0
|
||
```
|
||
|
||
### 2. 运行网格搜索
|
||
```bash
|
||
# 完整搜索（16组配置）
|
||
python train/grid_search_cosface.py --task dish
|
||
|
||
# 测试运行（限制配置数）
|
||
python train/grid_search_cosface.py --task dish --max_configs 2
|
||
|
||
# 自定义参数
|
||
python train/grid_search_cosface.py --task dish --epochs 100 --patience 10 --min_epochs 25
|
||
```
|
||
|
||
### 3. 参数说明
|
||
- `--task`: 任务名称 (`dish` / `whole_ingredient` / `processed_ingredient`)
|
||
- `--max_configs`: 限制最大配置数（用于测试，可选）
|
||
- `--epochs`: 每个配置的最大训练轮数（默认100）
|
||
- `--patience`: 早停容忍轮数（默认10）
|
||
- `--min_epochs`: 最小训练轮数（默认25）
|
||
|
||
## 输出文件
|
||
|
||
运行后会在`model/DishClassification/grid_search_YYYYMMDD_HHMMSS/`目录下生成：
|
||
|
||
1. **`grid_search_results.csv`** - 所有配置的详细结果表格
|
||
2. **`heatmap.png`** - 参数热力图（测试集准确率）
|
||
3. **`summary.txt`** - 搜索总结报告（含最佳配置）
|
||
4. **`model_s{s}_m{m}.pth`** - 每个配置的模型权重
|
||
5. **`grid_search.log`** - 完整训练日志
|
||
|
||
## 评估指标
|
||
|
||
- **主要指标**: 测试集准确率 (`test_acc`) - 用于选择最佳配置
|
||
- **辅助指标**: 验证集准确率、训练轮数、训练时间
|
||
|
||
## 应用最佳配置
|
||
|
||
网格搜索完成后：
|
||
|
||
1. 查看`summary.txt`找到最佳配置
|
||
2. 手动更新`train/train_cosface_embedding.py`中的`TASKS`字典：
|
||
```python
|
||
'dish': TaskConfig(
|
||
# ... 其他配置保持不变 ...
|
||
cosface_s=64.0, # 更新为最佳s值
|
||
cosface_m=0.38, # 更新为最佳m值
|
||
)
|
||
```
|
||
3. 后续训练将自动使用最佳配置
|
||
|
||
## 预计耗时
|
||
|
||
基于以下假设：
|
||
- 每个配置平均训练25-40个epoch（早停机制）
|
||
- 每个epoch约1-2分钟
|
||
- **单个配置**: ~30-60分钟
|
||
- **16组配置总耗时**: ~8-16小时
|
||
|
||
**建议**: 使用GPU运行，可在夜间或周末执行完整搜索。
|
||
|
||
## 注意事项
|
||
|
||
1. **数据集要求**: 确保`dataset/DishClassification/test/`目录存在且有数据
|
||
2. **GPU推荐**: 网格搜索计算量大，强烈建议使用GPU
|
||
3. **磁盘空间**: 每个配置约占用500MB，16组需8GB空间
|
||
4. **中断恢复**: 当前版本不支持断点续训，建议一次性完成
|
||
|
||
## 高级用法
|
||
|
||
### 修改搜索空间
|
||
编辑`train/grid_search_cosface.py`中的`GRID_PARAMS`字典：
|
||
```python
|
||
GRID_PARAMS = {
|
||
'dish': {
|
||
's': [60.0, 64.0, 68.0, 72.0], # 自定义scale范围
|
||
'm': [0.30, 0.35, 0.40, 0.45], # 自定义margin范围
|
||
}
|
||
}
|
||
```
|
||
|
||
### 调整早停策略
|
||
通过命令行参数调整：
|
||
```bash
|
||
python train/grid_search_cosface.py --task dish --patience 15 --min_epochs 30
|
||
```
|
||
|
||
## 故障排除
|
||
|
||
**问题1**: `ModuleNotFoundError: No module named 'pandas'`
|
||
- 解决: `pip install pandas seaborn`
|
||
|
||
**问题2**: 测试集目录不存在
|
||
- 解决: 确认`dataset/DishClassification/test/`路径正确且有数据
|
||
|
||
**问题3**: CUDA out of memory
|
||
- 解决: 减小`batch_size`或在CPU上运行（速度较慢）
|
||
|
||
## 示例结果解读
|
||
|
||
`summary.txt`示例：
|
||
```
|
||
最佳配置:
|
||
s (scale) = 64.0
|
||
m (margin) = 0.38
|
||
测试集准确率 = 98.50%
|
||
验证集准确率 = 100.00%
|
||
训练轮数 = 32
|
||
训练时间 = 45.3 分钟
|
||
```
|
||
|
||
这表示s=64.0, m=0.38是最优组合，在测试集上达到98.50%准确率。
|