VIP20

本课程属于：034-速度约束 自动驾驶 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

端到端模型训练避坑指南

📚 共计 30 章节

数据准备篇：数据采集的常见陷阱与质量把控

避开脏数据、采样偏差，从源头保障数据质量

数据准备篇：数据清洗与标注的标准化流程

清洗规则、标注规范，打造可复用的数据管线

数据准备篇：数据增强策略与过拟合预防

图像/文本增强方法，提升泛化能力

增强过拟合

数据准备篇：数据集划分的黄金法则与交叉验证

分层采样、时间序列划分、K折策略

划分交叉验证

数据准备篇：数据不平衡问题的处理技巧

重采样、代价敏感、Focal Loss 实战

不平衡采样

模型选型篇：任务类型与模型架构的匹配原则

分类/检测/生成，CNN/Transformer 选择

模型选型篇：预训练模型的选择与微调策略

HuggingFace 模型库、迁移学习技巧

预训练微调

模型选型篇：模型复杂度与计算资源的平衡

FLOPs、参数量、GPU 内存估算

复杂度资源

模型选型篇：轻量化模型与部署场景的适配

MobileNet、TinyML、端侧推理

模型选型篇：多模态模型的融合与对齐

CLIP、BLIP、图文对齐实战

多模态对齐

训练配置篇：学习率调度策略与优化器选择

cosine、warmup、AdamW 调参

学习率优化器

训练配置篇：Batch Size与Epoch的调参艺术

收敛速度、显存占用、泛化平衡

训练配置篇：损失函数的设计与自定义技巧

Focal Loss、Dice Loss、对比损失

损失函数自定义

训练配置篇：正则化技术的正确打开方式

Dropout、权重衰减、标签平滑

正则化Dropout

训练配置篇：梯度累积与混合精度训练实战

显存优化、AMP、梯度缩放

梯度累积混合精度

训练过程篇：训练日志与监控指标的设置

TensorBoard、Wandb、自定义指标

训练过程篇：梯度爆炸与消失的检测与修复

梯度裁剪、初始化、BN 层

梯度爆炸消失

训练过程篇：过拟合与欠拟合的实时诊断

学习曲线、验证集策略、早停

过拟合欠拟合

训练过程篇：模型收敛状态的判断与早停策略

Patience、指标停滞、模型快照

训练过程篇：分布式训练中的常见问题与同步

DDP、allreduce、负载不均

分布式同步

调试优化篇：PyTorch/TensorFlow调试技巧

pdb、torchinfo、tfdbg

调试优化篇：内存泄漏与显存溢出的排查方法

memory profiler、显存碎片、梯度检查

调试优化篇：代码性能瓶颈分析与加速

cProfile、torch.jit、算子优化

调试优化篇：随机种子设置与结果复现

seed、deterministic、环境一致性

调试优化篇：模型保存与加载的版本管理

checkpoint、torch.save、版本兼容

评估部署篇：评估指标的选择与解读误区

准确率、mAP、F1、混淆矩阵

评估部署篇：A/B测试与线上效果验证

分流、假设检验、线上指标

A/B测试验证

评估部署篇：模型量化与压缩的实战经验

INT8、剪枝、蒸馏

评估部署篇：ONNX/TensorRT部署的踩坑记录

算子兼容、动态shape、性能调优

评估部署篇：模型监控与持续迭代的闭环

数据漂移、模型回滚、自动重训