模型选择
- PyTorch模型：适合NLP任务,适合使用预训练模型进行微调。
- TensorFlow模型：适合其他深度学习任务,适合自定义模型。
模型选择
- 在左侧界面中，选择"PyTorch"或"TensorFlow"。
- 根据任务选择对应的模型类型。
模型参数设置
- 在模型参数界面，选择“调整”按钮,手动调整超参数。
- 根据训练效果，调整学习率、批量大小等。
数据预处理
- 在右侧预处理界面，选择“选择数据集”，点击“选择数据集”。
- 选择训练集和测试集，点击“选择数据集”。
- 进入“数据预处理”界面，选择预处理方式（如标准化、归一化）。
- 根据需要调整预处理参数，点击“调整”按钮。
数据增强
- 在预处理界面，选择“数据增强”。
- 选择增强方式，如旋转、翻转,调整参数。
- 点击“调整”按钮进行数据增强。
配置训练参数
- 在配置界面，选择“训练参数”。
- 根据任务选择合适的优化器、学习率调度器和损失函数。
- 根据训练效果调整学习率和批量大小。
进行训练
- 点击“开始训练”按钮,开始模型训练过程。
- 观察训练过程中的损失曲线和准确率,判断模型是否收敛。
检查训练结果
- 在训练界面,查看训练过程中的监控结果。
- 如果模型训练失败，点击“恢复”按钮,保存训练好的模型。
保存和保存模型
- 点击“保存模型”按钮,选择保存的路径。
- 如果需要，点击“保存到云存储”按钮,将模型保存到云存储中。
通过云平台验证
- 在云平台中,查看模型的准确率和损失曲线。
- 如果模型表现良好,可以进行部署。
优化模型
- 在云平台中，查看模型的优化器调优效果,调整参数以提升性能。
- 根据需要,使用预设的优化器调优或自定义调整。
使用模型
- 点击“使用模型”按钮,将预训练好的模型导入当前工作流。
- 选择模型进行微调或直接使用预训练模型进行测试。
通过以上步骤，你可以顺利配置和使用Surge进行模型训练，在过程中，遇到问题时,可以参考文档或社区资源寻求帮助。
