autoDL实践经验------1

总结一下实际使用autoDL的经验：

提一嘴：跑的还是之前博客里的yolov3。

1、应保留预训练权重文件，但训练后的权值文件不用上传，因为太费时间。

2、昨日步骤：首先登陆filezilla然后把数据集和python文件上传上去，然后在vscode上登陆，安装所要依赖pip install -r requirements.txt（ubuntu下依旧可以用pip），再把数据集放到VOCdevkit下，其实放别的地方也行，可以改路径的，但一定要注意统一格式VOC2007下Annotations、JPEGImages、ImageSet/Main。这里如果内存足够的话，我推荐把python项目和数据集都放系统盘，因为关机后保存镜像就可以在别的主机上继续用。然后运行voc_annotation.py和train.py。这里值得一提的是：filezilla看不到txt等文件，一般用vscode查看文件。

3、主要修改参数：cuda、classes_path、显存大的话freeze_batch_size可以调大，学习率freeze_Ir也可以设置大一些，内存大的话num_workers可以设置大一些、路径。其中查看路径可以用pwd指令：

4、 注意一点，当前设置的参数，在未来跑别的模型的时候要保持一致，特别是那个train.txt和val.txt。

5、Titanxp我发现其实性能跟Geforce 960MX差不多，1秒1张图。

别人的说法：(暂未验证)

6、并不是很推荐多GPU工作，因为需要相关代码支持。

7、每个区的网盘是相通的。文件夹下有一个（autoDlnes？）只要把数据放到那个网盘里，同一个区的实例就全部可以看到。

8、关机不会重新开始，一个实例可以保存30天

9、显卡训练速度：用命令去查卡的运行状态，分为两个部分：一个是算力的应用部分，用百分比显示，还一个显存的占用部分。显存的占用比较低时，就把batch size调大。如果是算力占用较低：50%-60%，那就要把data loader下的number worker（线程）调大。

理论补充：epoch是指所有数据送入网络完成一次前向计算及反向传播的过程。batch是每次送入网络中训练的一部分数据，batch size就是每个batch中训练样本的数量。batch=iterations

简单一句话说就是，我们有2000个数据，分成4个batch，那么batch size就是500。运行所有的数据进行训练，完成1个epoch，需要进行4次iterations。

新的idea:

1、昨天用vscode确实很舒服，但如果用vscode来运行程序，那必须挂着vscode，那这样就不能多线程去ubuntu干别的事了。

新思路：用jupyterlab试试，就是我用filezilla和vscode把前面都处理完，最后切jupyterlab去完成最后的训练。

2、用网盘传输数据，AutoPanel。

3、把数据放系统盘去打包一个镜像，和2一样都是来解决传数据集太慢的问题。

4、调整代码，抬高GPU利用率。