num_classes: 30 project_path: "D:/pychj/pythorch" train_data_path: "DataSet/final/train" val_data_path: "DataSet/final/valid" test_data_path: "DataSet/final/test" #图片可视化分析源路径 img_path: "DataSet/final/test/0002_人参/人参31.jpg" #训练伦次 epochs: 30 #选用设备 device: 'cuda:0' #训练批次大小，防止显存溢出 batch_size: 16 #加载的权重路径 weights_path: '' #迁移学习 fine_tuning: True #优化器的选择 opt_name: 'AdamW' #线程加载 nw: 2 #模型保存路径 #vgg模型 Model_VGG: 'Model/Model_VGG/weights/VGG16_43481362425_best_model.pt' Model_AlexNet: 'Model/Model_AlexNet/weights/AlexNet_43491884900_best_model.pt' Model_MobileNet: 'Model/Model_MobileNet/weights/MobileNet_V3_Small_43544276625_best_model.pt' Model_ResNet: 'Model/Model_ResNet/weights/ResNet50_43544327450_best_model.pt' #可视化测验调用模型路径 Web_Model: 'Model/Model_VGG/weights/VGG16_43481362425_best_model.pt' #端口号 Web_Port: 8017 #不同类别的名称列表 display_labels: - '三七' - '乌梅' - '人参' - '何首乌' - '党参' - '决明子' - '小茴香' - '板蓝根' - '枸杞子' - '柴胡' - '桑葚' - '槐花' - '沉香' - '灵芝' - '甘草' - '白芍' - '白花蛇舌草' - '百合' - '穿心莲' - '红花' - '罗汉果' - '艾叶' - '茯苓' - '莲子心' - '葛根' - '虫草' - '蝉蜕' - '金银花' - '阿胶' - '陈皮' #混淆矩阵显示具数值 show_figure: false #混淆矩阵结果归一化 normalization: true 找出这里面的超参数

<think>好的，我需要帮用户提取深度学习模型训练中的超参数列表。首先，得回顾常见的超参数有哪些。用户提到了num_classes、epochs、batch_size、fine_tuning、opt_name、nw等，我需要扩展更多的相关参数。 基础超参数方面，学习率（learning_rate）肯定是核心的，还有训练轮数（num_train_epochs），批量大小（per_device_train_batch_size），权重衰减（weight_decay），这些在引用[1]的TrainingArguments里都有出现。优化器类型（opt_name）比如Adam、SGD，动量（momentum）和优化器参数如beta1、beta2也是重要的。 模型结构相关的参数，像num_classes是分类任务的类别数，预训练模型选择（pretrained_model_name）比如ResNet-18在引用[4]中提到。输入尺寸（input_size）和数据增强参数如随机裁剪、翻转等也需要考虑。 训练策略方面，微调（fine_tuning）和迁移学习相关参数，比如是否冻结层（freeze_layers）、解冻层数（unfreeze_layers）在引用[2]和[4]中涉及。早停（early_stopping_patience）、学习率调度器（lr_scheduler_type）比如余弦退火，以及混合精度训练（fp16）在引用[1]的示例里也有设置。 正则化相关的参数，除了权重衰减，还有丢弃率（dropout_rate）、标签平滑（label_smoothing）、L1/L2正则化系数。硬件相关的如设备类型（device）、并行策略（distributed_strategy）、GPU数量（nproc_per_node）也会影响训练。 验证和日志方面，评估频率（evaluation_strategy）、保存策略（save_strategy）、日志目录（output_dir）和实验名称（run_name）在引用[1]和[5]中出现。数据相关的如训练集比例（train_split_ratio）、数据路径（data_dir）、工作线程数（num_workers即nw）也是关键。 需要确保覆盖用户提到的参数，同时补充其他常用超参数。注意引用中的例子，比如引用[1]里的TrainingArguments包含多个参数，引用[2]讨论迁移学习的调整，引用[4]使用预训练模型。整理这些信息，分门别类列出，确保每个参数有简要说明，并正确标注引用来源。</think>深度学习模型训练中常见的超参数可分为以下几类，结合代码示例和引用资料进行说明： ### 一、基础训练参数 1. `num_classes`：输出层神经元数量（分类任务） ```python model = nn.Linear(512, num_classes) # 全连接层输出维度 ``` 2. `epochs`/`num_train_epochs`：训练轮次 ```python training_args = TrainingArguments(num_train_epochs=2) # [^1] ``` 3. `batch_size`：单批次样本数量 ```python training_args = TrainingArguments(per_device_train_batch_size=32) # [^1] ``` 4. `learning_rate`：学习率（控制参数更新步长） ```python training_args = TrainingArguments(learning_rate=1e-3) # [^1] ``` ### 二、优化器参数 5. `opt_name`：优化器类型（adam/sgd/rmsprop等） ```python optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` 6. `weight_decay`：权重衰减（L2正则化系数） ```python training_args = TrainingArguments(weight_decay=0.01) # [^1] ``` 7. `momentum`：动量参数（SGD优化器专用） ```python optimizer = torch.optim.SGD(params, momentum=0.9) ``` ### 三、模型结构参数 8. `pretrained`：是否使用预训练模型 ```python pretrained_net = models.resnet18(pretrained=True) # [^4] ``` 9. `fine_tuning`：微调模式开关（True=微调全层，False=冻结部分层） ```python if not fine_tuning: for param in pretrained_net.parameters(): param.requires_grad = False # [^2] ``` ### 四、数据与硬件参数 10. `nw`/`num_workers`：数据加载线程数 ```python dataloader = DataLoader(dataset, num_workers=4) ``` 11. `device`：训练设备（cpu/cuda/mps） ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") ``` ### 五、进阶训练策略 12. `warmup_steps`：学习率预热步数 13. `gradient_accumulation_steps`：梯度累积步数 ```python training_args = TrainingArguments( gradient_accumulation_steps=2) # 模拟更大batch_size ``` 14. `fp16`：混合精度训练开关 ```python training_args = TrainingArguments(fp16=True) ``` ### 六、验证与保存参数 15. `evaluation_strategy`：验证频率（epoch/steps/no） ```python training_args = TrainingArguments(evaluation_strategy="epoch") # ``` 16. `save_strategy`：模型保存策略 ```python training_args = TrainingArguments(save_strategy="epoch") # ``` 完整参数示例（基于HuggingFace格式）： ```python training_args = TrainingArguments( output_dir="./train_output", # [^5] num_train_epochs=5, per_device_train_batch_size=32, learning_rate=2e-5, weight_decay=0.01, evaluation_strategy="epoch", save_strategy="epoch", load_best_model_at_end=True, metric_for_best_model="accuracy", fp16=True, num_workers=4 # nw参数 ) ```