add finetune.md

docs/zh_CN/training/single_label_classification/finetune.md

+# 微调模型
+---
+
+此处提供了用户在 linux 操作系统上使用 PaddleClas 的微调（finetune）模型的教程，此处默认您已经配置好本地环境且已经执行过[快速开始](../../quick_start/quick_start_classification_professional.md)相关的代码。
+
+PaddleClas提供了丰富的 ImageNet 预训练模型，使用这些预训练模型做初始化训练自己的任务可以快速收敛，同时可以一定程度避免模型过拟合。
+
+## 目录
+
+- [1. 数据准备](#1)
+- [2. 模型训练](#2)
+    - [2.1 更改配置文件](#2.1)
+    - [2.1 模型训练](#2.2)
+- [FAQ](#faq)
+
+
+<a name="1"></a>
+## 1. 数据准备
+
+PaddleClas 是通过`.txt`来读取数据，所以您需要将准备好的分类数据单独存放于一个文件夹，该文件夹中主要有以下四部分内容。
+
+```
+├── train
+├── train_list.txt
+├── val
+├── val_list.txt
+```
+
+其中`train`和`val`分别存放训练数据和验证数据，`train_list.txt`和`val_list.txt`分别存放训练数据和验证数据的路径和标签。其对应的格式形如：
+
+```shell
+# 每一行采用"空格"分隔图像路径与标注
+
+# 下面是 train_list.txt 中的格式样例
+train/n01440764/n01440764_10026.JPEG 0
+...
+
+# 下面是 val_list.txt 中的格式样例
+val/ILSVRC2012_val_00000001.JPEG 65
+...
+```
+
+其中，`train/n01440764/n01440764_10026.JPEG` 表示该数据的路径，`0` 表示该数据属于 0 类。
+
+**备注**：`train_list.txt`和`val_list.txt`需要您根据实际情况生成。
+
+<a name="2"></a>
+## 2. 模型训练
+
+<a name="2.1"></a>
+### 2.1 更改配置文件
+
+在 finetune 自己的任务时，往往需要更改训练的配置文件，在`ppcls/configs/ImageNet/`中，定义了所有模型在 ImageNet 数据上的训练配置，可以直接修改该配置完成训练。下面以 ResNet50_vd 为例子，详述需要修改的配置。
+
+1.类别数：类别数量默认为1000（ImageNet-1k类别数），此处需要修改为实际任务中的类别数量。
+```
+Arch:
+  name: ResNet50_vd
+  class_num: your_class_num
+```
+
+2.预训练模型：增加预训练模型可以使Loss快速收敛，增加方式如下：
+```
+Arch:
+  name: ResNet50_vd
+  class_num: your_class_num
+  pretrained: True
+```
+
+3.学习率：如果训练远小于 ImageNet 数据量的任务时候，学习率需要减小若干倍，具体减小的幅度需要调试，可以先从减小 10 倍开始调试。
+```
+Optimizer:
+  name: Momentum
+  momentum: 0.9
+  lr:
+    name: Cosine
+    learning_rate: your_learning_rate
+```
+
+4.数据路径：数据路径需要改为您自己的数据路径。即在[数据准备](#1)准备好的数据。
+
+```
+DataLoader:
+  Train:
+    dataset:
+      name: ImageNetDataset
+      image_root: your_image_root
+      cls_label_path: your_train_cls_label_path
+      
+  Eval:
+    dataset: 
+      name: ImageNetDataset
+      image_root: your_image_root
+      cls_label_path: your_train_cls_label_path
+```
+
+<a name="2.2"></a>
+### 2.2 模型训练
+
+当修改完配置文件之后，就可以开始训练自己的任务，此处默认使用 4 卡训练，训练命令如下：
+
+```
+export CUDA_VISIBLE_DEVICES=0,1,2,3
+python3 -m paddle.distributed.launch \
+    --gpus="0,1,2,3" \
+    tools/train.py \
+        -c ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml
+```
+
+<a name="faq"></a>
+## FAQ
+
+Q1.如何更改分辨率？
+
+以 224 修改为 320 为例，如果只做训练和评测，可以只修改以下字段：
+
+1.修改配置文件中`DataLoader.Train.dataset.transform_ops.1.RandCropImage.size`, 如从`224`修改到`320`；
+
+2.修改配置文件中`DataLoader.Eval.dataset.transform_ops.1.ResizeImage.resize_short`, 如从`256`修改到`366`；
+
+3.修改配置文件中`DataLoader.Eval.dataset.transform_ops.2.CropImage.size`, 如从`224`修改到`320`。
+
+如果后续涉及模型导出或者infer，需要同时修改以下字段：
+
+1.修改配置文件中`Global.image_shape`,如从`[3, 224, 224]`修改到`[3, 320, 320]`；
+
+2.修改`Infer.transforms.1.ResizeImage.resize_short`, 如从 `256` 修改到 `366`；
+
+3.修改配置文件中`Infer.transforms.2.CropImage.size`, 如从 `224` 修改到 `320`。
+
+
+Q2.如何更改数据增强？
+
+关于数据增强部分可以参考[数据增强文档](../config_description/data_augmentation.md)，里边有详细的介绍。
+
+Q3.如何更改评价指标？
+
+PaddleClas中的分类指标目前只支持 `Top-k`，如果需要更改 `k` 值，可以修改配置文件中` Metric.TopkAcc.topk`,如从 `[1, 5]` 修改到` [1, 3]`，即评测指标从 `Top-1`、`Top-5` 改为 `Top-1`、`Top-3`。
+
+Q4.如何进一步提升模型的精度？
+
+1.如果不考虑模型的推理速度，可以更换在 ImageNet 上精度更高的模型，或者使用更大的分辨率，如果考虑模型的推理速度，建议使用经过 PaddleClas 团队优化的 PP 系列模型，如[PP-LCNet](../../models/ImageNet1k/PP-LCNet.md)、[PP-HGNet](../../models/ImageNet1k/PP-HGNet.md)等；
+
+2.可以尝试使用更好的预训练权重，PaddleClas 提供了 20+ 个 SSLD 的预训练权重，在很多任务中都可以提升 1 个百分点以上，使用方式只需要在 `Arch` 字段下增加`use_ssld: True` 即可，关于更多SSLD相关的知识，可以参考[SSLD 知识蒸馏实战](../advanced/ssld.md);
+
+3.在实际的任务中，训练轮数对结果影响可能也比较大，初期可以使用较小的轮数（如 20）来调试。
+
+4.模型在微调的过程中，学习率对结果影响比较大，建议多尝试几组学习率。
\ No newline at end of file