一般通用的trick都被寫進(jìn)論文和代碼庫(kù)里了

像優(yōu)秀的優(yōu)化器，學(xué)習(xí)率調(diào)度方法，數(shù)據(jù)增強(qiáng)，dropout，初始化，BN，LN，確實(shí)是調(diào)參大師的寶貴經(jīng)驗(yàn)，大家平常用的也很多。

這里主要有幾個(gè)，我們分成三部分，穩(wěn)定有用型trick，場(chǎng)景受限型trick，性能加速型trick。

穩(wěn)定有用型trick

0.模型融合

懂得都懂，打比賽必備，做文章沒卵用的人人皆知trick，早年模型小的時(shí)候還用stacking，直接概率融合效果也不錯(cuò)。

對(duì)抗訓(xùn)練

對(duì)抗訓(xùn)練就是在輸入的層次增加擾動(dòng)，根據(jù)擾動(dòng)產(chǎn)生的樣本，來做一次反向傳播。以FGM為例，在NLP上，擾動(dòng)作用于embedding層。給個(gè)即插即用代碼片段吧，引用了知乎id:Nicolas的代碼，寫的不錯(cuò)，帶著看原理很容易就明白了。

#初始化
fgm=FGM(model)
forbatch_input,batch_labelindata:
#正常訓(xùn)練
loss=model(batch_input,batch_label)
loss.backward()#反向傳播，得到正常的grad
#對(duì)抗訓(xùn)練
fgm.attack()#在embedding上添加對(duì)抗擾動(dòng)
loss_adv=model(batch_input,batch_label)
loss_adv.backward()#反向傳播，并在正常的grad基礎(chǔ)上，累加對(duì)抗訓(xùn)練的梯度
fgm.restore()#恢復(fù)embedding參數(shù)
#梯度下降，更新參數(shù)
optimizer.step()
model.zero_grad()

具體FGM的實(shí)現(xiàn)

importtorch
classFGM():
def__init__(self,model):
self.model=model
self.backup={}

defattack(self,epsilon=1.,emb_name='emb.'):
#emb_name這個(gè)參數(shù)要換成你模型中embedding的參數(shù)名
forname,paraminself.model.named_parameters():
ifparam.requires_gradandemb_nameinname:
self.backup[name]=param.data.clone()
norm=torch.norm(param.grad)
ifnorm!=0andnottorch.isnan(norm):
r_at=epsilon*param.grad/norm
param.data.add_(r_at)

defrestore(self,emb_name='emb.'):
#emb_name這個(gè)參數(shù)要換成你模型中embedding的參數(shù)名
forname,paraminself.model.named_parameters():
ifparam.requires_gradandemb_nameinname:
assertnameinself.backup
param.data=self.backup[name]
self.backup={}

2.EMA/SWA

移動(dòng)平均，保存歷史的一份參數(shù)，在一定訓(xùn)練階段后，拿歷史的參數(shù)給目前學(xué)習(xí)的參數(shù)做一次平滑。這個(gè)東西，我之前在earhian的祖?zhèn)鞔a里看到的。他喜歡這東西+衰減學(xué)習(xí)率。確實(shí)每次都有用。

#初始化
ema=EMA(model,0.999)
ema.register()

#訓(xùn)練過程中，更新完參數(shù)后，同步updateshadowweights
deftrain():
optimizer.step()
ema.update()

# eval前，apply shadow weights；eval之后，恢復(fù)原來模型的參數(shù)
defevaluate():
ema.apply_shadow()
#evaluate
ema.restore()

具體EMA實(shí)現(xiàn)，即插即用：

classEMA():
def__init__(self,model,decay):
self.model=model
self.decay=decay
self.shadow={}
self.backup={}

defregister(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
self.shadow[name]=param.data.clone()

defupdate(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
assertnameinself.shadow
new_average=(1.0-self.decay)*param.data+self.decay*self.shadow[name]
self.shadow[name]=new_average.clone()

defapply_shadow(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
assertnameinself.shadow
self.backup[name]=param.data
param.data=self.shadow[name]

defrestore(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
assertnameinself.backup
param.data=self.backup[name]
self.backup={}

這兩個(gè)方法的問題就是跑起來會(huì)變慢，并且提分點(diǎn)都在前分位，不過可以是即插即用類型

3.Rdrop等對(duì)比學(xué)習(xí)方法

有點(diǎn)用，不會(huì)變差，實(shí)現(xiàn)起來也很簡(jiǎn)單

#訓(xùn)練過程上下文
ce=CrossEntropyLoss(reduction='none')
kld=nn.KLDivLoss(reduction='none')
logits1=model(input)
logits2=model(input)
#下面是訓(xùn)練過程中對(duì)比學(xué)習(xí)的核心實(shí)現(xiàn)?。。?！
kl_weight=0.5#對(duì)比loss權(quán)重
ce_loss=(ce(logits1,target)+ce(logits2,target))/2
kl_1=kld(F.log_softmax(logits1,dim=-1),F.softmax(logits2,dim=-1)).sum(-1)
kl_2=kld(F.log_softmax(logits2,dim=-1),F.softmax(logits1,dim=-1)).sum(-1)
loss=ce_loss+kl_weight*(kl_1+kl_2)/2

大家都知道，在訓(xùn)練階段。dropout是開啟的，你多次推斷dropout是有隨機(jī)性的。

模型如果魯棒的話，你同一個(gè)樣本，即使推斷時(shí)候，開著dropout，結(jié)果也應(yīng)該差不多。好了，那么它的原理也呼之欲出了。用一張圖來形容就是：

隨便你怎么踹(dropout)，本AI穩(wěn)如老狗。

KLD loss是衡量?jī)蓚€(gè)分布的距離的，所以說他就是在原始的loss上，加了一個(gè)loss，這個(gè)loss刻畫了模型經(jīng)過兩次推斷，抵抗因dropout造成擾動(dòng)的能力。

4.TTA

這個(gè)一句話說明白，測(cè)試時(shí)候構(gòu)造靠譜的數(shù)據(jù)增強(qiáng)，簡(jiǎn)單一點(diǎn)的數(shù)據(jù)增強(qiáng)方式比較好，然后把預(yù)測(cè)結(jié)果加起來算個(gè)平均。

5.偽標(biāo)簽

代碼和原理實(shí)現(xiàn)也不難，代價(jià)也是訓(xùn)練變慢，畢竟多了一些數(shù)據(jù)一句話說明白，就是用訓(xùn)練的模型，把測(cè)試數(shù)據(jù)，或者沒有標(biāo)簽的數(shù)據(jù)，推斷一遍。構(gòu)成偽標(biāo)簽，然后拿回去訓(xùn)練。注意不要leak。

聽起來挺離譜的，我們把步驟用偽代碼實(shí)現(xiàn)一下。

model1.fit(train_set,label,val=validation_set)#step1
pseudo_label=model.pridict(test_set)#step2
new_label=concat(pseudo_label,label)#step3
new_train_set=concat(test_set,train_set)#step3
model2.fit(new_train_set,new_label,val=validation_set)#step4
final_predict=model2.predict(test_set)#step5

用網(wǎng)上一個(gè)經(jīng)典的圖來說就是。

6.神經(jīng)網(wǎng)絡(luò)自動(dòng)填空值

表數(shù)據(jù)在NN上的trick，快被tabnet 集大成了，這個(gè)方法是把缺失值的位置之外的地方mask，本身當(dāng)成1這樣可以學(xué)習(xí)出一個(gè)參數(shù)，再加回這個(gè)feature的輸入上?？梢钥纯此恼碌膶?shí)現(xiàn)。

場(chǎng)景受限型trick

有用但場(chǎng)景受限或者不穩(wěn)定

1.PET或者其他prompt的方案

在一些特定場(chǎng)景上有用，比如zeroshot，或者小樣本的監(jiān)督訓(xùn)練，在數(shù)據(jù)量充足情況下拿來做模型融合有點(diǎn)用，單模型不一定干的過硬懟。

2.Focalloss

偶爾有用，大部分時(shí)候用處不大，看指標(biāo)，在一些對(duì)長(zhǎng)尾，和稀有類別特別關(guān)注的任務(wù)和指標(biāo)上有所作為。

3.mixup/cutmix等數(shù)據(jù)增強(qiáng)

挑數(shù)據(jù)，大部分?jǐn)?shù)據(jù)和任務(wù)用處不大，局部特征比較敏感的任務(wù)有用，比如音頻分類等

4人臉等一些改動(dòng)softmax的方式

在數(shù)據(jù)量偏少的時(shí)候有用，在工業(yè)界數(shù)據(jù)量巨大的情況下用處不大

5.領(lǐng)域后預(yù)訓(xùn)練

把自己的數(shù)據(jù)集，在Bert base上用MLM任務(wù)再過一遍，代價(jià)也是變慢，得益于huggingface可用性極高的代碼，實(shí)現(xiàn)起來也非常簡(jiǎn)單，適用于和預(yù)訓(xùn)練預(yù)料差別比較大的一些場(chǎng)景，比如中藥，ai4code等，在一些普通的新聞文本分類數(shù)據(jù)集上用處不大。

6.分類變檢索

這算是小樣本分類問題的標(biāo)準(zhǔn)解法了，類似于人臉領(lǐng)域的baseline，在這上面有很多圍繞類間可分，類內(nèi)聚集的loss改進(jìn)，像aa-softmax,arcface，am-softmax等

在文本分類，圖像分類上效果都不錯(cuò)。

突破性能型trick

1.混合精度訓(xùn)練

AMP即插即用，立竿見影。

2.梯度累積

在優(yōu)化器更新參數(shù)之前，用相同的模型參數(shù)進(jìn)行幾次前后向傳播。在每次反向傳播時(shí)計(jì)算的梯度被累積（加總）。不過這種方法會(huì)影響B(tài)N的計(jì)算，可以用來突破batchsize上限。

3.Queue或者memery bank

可以讓batchsize突破天際，可以參考MoCo用來做對(duì)比學(xué)習(xí)的那個(gè)實(shí)現(xiàn)方式

4.非必要不同步

多卡ddp訓(xùn)練的時(shí)候，用到梯度累積時(shí)，可以使用no_sync減少不必要的梯度同步，加快速度。

審核編輯：劉清