在工作过程中，我们训练模型时，到底是哪些因素影响最大？模型深度，模型宽度，head个数，head深度，输入大小，输出大小等等。
在工业界中，基于深度学习的检测模型尤其应用广泛。今年由于内部变动，接触了各种不同的项目和模型。发现一个规律，模型可以很小，但是数据量很大时，一样能提高效果。同时输入尺寸变大时，比做多少模型重构都有用，当然前提是backbone和head类似的前提下。
之前的模型臃肿的很，耗时不说，还占显存，这样其实batchsize大小也有影响。于是，我把模型的head大刀阔斧砍到很浅的程度，然后把backbone也砍掉了很多。发现耗时减少了很多，loss训练的时候并没有变化多大。然后我再部署到硬件时，增加输入尺寸为之前小尺寸的2倍，同时由于改变了模型的复杂度，数据增加了很多。于是效果比之前很大（比目前这个尺寸大了1.5倍）尺寸的效果还高了5-6个点。
这说明两个问题：1. 就是我砍了模型的backbone和head，增加了数据，模型的效果依然在提升，比输入尺寸更大的模型效果还好，那说明模型远远没有达到饱和，也就是说模型相对数据其实还是过于复杂的。2. 就是模型变小了，输入尺寸变大了，效果比之前小尺寸的模型效果好了太多，这说明相比较模型复杂度，更应该提升模型的输入尺寸以改善实际效果。
所以在工程上，不要追求什么模型的复杂度，说把输入尺寸减小，增加模型复杂度来提升效果。输入那么小，到模型输出时，降维到什么都没有了，哪里来的效果啊，别再做这些很外行的实验了。一句话，工程上计算量有限时就要尽量增加数据和增加输入尺寸。科研上嘛，反正也不受计算量限制，输入都不会很小，多增加数据，用强大模型。
猜你喜欢
