微调问题

[shining-love]

你好大佬，我在微调这个repo以及YCG那个repo时发现一个很奇怪的问题，为什么训练精度acc总是从0开始慢慢往上升，按道理基于预训练模型再训练应该初始精度不为0才对啊，所以感到很奇怪，不知大佬在在再训练（微调）是不是这种情况？我的数据是英文数字组合

[SeventhBlue]

我印象中记得好像也是，不过微调时acc上升的速度要比重新训练上升的速度要快，你可以留意一下这种速度上的差异。对于为啥是从0慢慢的开始上升，我的一个解释是：微调时的“词典”和原本的“词典”不是子集和父集的关系。假设，原本的“词典”是6000个中、英、特殊符号等字符（第一种情况，特殊字符全部都在“词典”的最后面；第二种，特殊字符杂乱分布）。 微调时去掉特殊字符，对于第一种情况，微调就是原训练“词典”的子集，这个情况开始训练的时候，网络预测的位置和真实“字典”的位置是对应，这个时候的准确度应该会从零一下到很高的位置； 第二种情况，它们的词典就不是子集和父集的关系，用一个例子说明。“帅”原本在“词典”的位置是666；因为微调时去掉特殊字符，“帅”在微调的“词典”的位置是888。这个时候，微调训练并预测“帅”这个字，最开始训练并预测的位置极大可能是666，这个时候就是错误的。但是网络中有字符的特征，所以在收敛速度上就比从新训练要快。

[shining-love]

我印象中记得好像也是，不过微调时acc上升的速度要比重新训练上升的速度要快，你可以留意一下这种速度上的差异。对于为啥是从0慢慢的开始上升，我的一个解释是：微调时的“词典”和原本的“词典”不是子集和父集的关系。假设，原本的“词典”是6000个中、英、特殊符号等字符（第一种情况，特殊字符全部都在“词典”的最后面；第二种，特殊字符杂乱分布）。 微调时去掉特殊字符，对于第一种情况，微调就是原训练“词典”的子集，这个情况开始训练的时候，网络预测的位置和真实“字典”的位置是对应，这个时候的准确度应该会从零一下到很高的位置； 第二种情况，它们的词典就不是子集和父集的关系，用一个例子说明。“帅”原本在“词典”的位置是666；因为微调时去掉特殊字符，“帅”在微调的“词典”的位置是888。这个时候，微调训练并预测“帅”这个字，最开始训练并预测的位置极大可能是666，这个时候就是错误的。但是网络中有字符的特征，所以在收敛速度上就比从新训练要快。

感觉很有道理，大佬如果直接基于预训练模型继续训练，不改动原始的词典，我所生成的数字和英文在原始词典中也都有，这样的效果与改动词典相比哪种会更好？

[SeventhBlue]

我印象中记得好像也是，不过微调时acc上升的速度要比重新训练上升的速度要快，你可以留意一下这种速度上的差异。对于为啥是从0慢慢的开始上升，我的一个解释是：微调时的“词典”和原本的“词典”不是子集和父集的关系。假设，原本的“词典”是6000个中、英、特殊符号等字符（第一种情况，特殊字符全部都在“词典”的最后面；第二种，特殊字符杂乱分布）。 微调时去掉特殊字符，对于第一种情况，微调就是原训练“词典”的子集，这个情况开始训练的时候，网络预测的位置和真实“字典”的位置是对应，这个时候的准确度应该会从零一下到很高的位置； 第二种情况，它们的词典就不是子集和父集的关系，用一个例子说明。“帅”原本在“词典”的位置是666；因为微调时去掉特殊字符，“帅”在微调的“词典”的位置是888。这个时候，微调训练并预测“帅”这个字，最开始训练并预测的位置极大可能是666，这个时候就是错误的。但是网络中有字符的特征，所以在收敛速度上就比从新训练要快。

感觉很有道理，大佬如果直接基于预训练模型继续训练，不改动原始的词典，我所生成的数字和英文在原始词典中也都有，这样的效果与改动词典相比哪种会更好？

这个就不知道了，你可以自己试哈，多试就会积累炼丹经验哈。

[shining-love]

我印象中记得好像也是，不过微调时acc上升的速度要比重新训练上升的速度要快，你可以留意一下这种速度上的差异。对于为啥是从0慢慢的开始上升，我的一个解释是：微调时的“词典”和原本的“词典”不是子集和父集的关系。假设，原本的“词典”是6000个中、英、特殊符号等字符（第一种情况，特殊字符全部都在“词典”的最后面；第二种，特殊字符杂乱分布）。 微调时去掉特殊字符，对于第一种情况，微调就是原训练“词典”的子集，这个情况开始训练的时候，网络预测的位置和真实“字典”的位置是对应，这个时候的准确度应该会从零一下到很高的位置； 第二种情况，它们的词典就不是子集和父集的关系，用一个例子说明。“帅”原本在“词典”的位置是666；因为微调时去掉特殊字符，“帅”在微调的“词典”的位置是888。这个时候，微调训练并预测“帅”这个字，最开始训练并预测的位置极大可能是666，这个时候就是错误的。但是网络中有字符的特征，所以在收敛速度上就比从新训练要快。

感觉很有道理，大佬如果直接基于预训练模型继续训练，不改动原始的词典，我所生成的数字和英文在原始词典中也都有，这样的效果与改动词典相比哪种会更好？

这个就不知道了，你可以自己试哈，多试就会积累炼丹经验哈。

好的。谢谢大佬。顺便请问一下我的模拟文本识别数据好像质量不行，训练集精度99%左右，训练集精度89%，明显过拟合了，此外测试了一下其他的图片识别效果极差，只对训练集和验证集里面的样本有较好的识别效果。感觉是我数据质量不够好，不够多样性，不知大佬有什么数据生成的repo？

[SeventhBlue]

我印象中记得好像也是，不过微调时acc上升的速度要比重新训练上升的速度要快，你可以留意一下这种速度上的差异。对于为啥是从0慢慢的开始上升，我的一个解释是：微调时的“词典”和原本的“词典”不是子集和父集的关系。假设，原本的“词典”是6000个中、英、特殊符号等字符（第一种情况，特殊字符全部都在“词典”的最后面；第二种，特殊字符杂乱分布）。 微调时去掉特殊字符，对于第一种情况，微调就是原训练“词典”的子集，这个情况开始训练的时候，网络预测的位置和真实“字典”的位置是对应，这个时候的准确度应该会从零一下到很高的位置； 第二种情况，它们的词典就不是子集和父集的关系，用一个例子说明。“帅”原本在“词典”的位置是666；因为微调时去掉特殊字符，“帅”在微调的“词典”的位置是888。这个时候，微调训练并预测“帅”这个字，最开始训练并预测的位置极大可能是666，这个时候就是错误的。但是网络中有字符的特征，所以在收敛速度上就比从新训练要快。

感觉很有道理，大佬如果直接基于预训练模型继续训练，不改动原始的词典，我所生成的数字和英文在原始词典中也都有，这样的效果与改动词典相比哪种会更好？

这个就不知道了，你可以自己试哈，多试就会积累炼丹经验哈。

好的。谢谢大佬。顺便请问一下我的模拟文本识别数据好像质量不行，训练集精度99%左右，训练集精度89%，明显过拟合了，此外测试了一下其他的图片识别效果极差，只对训练集和验证集里面的样本有较好的识别效果。感觉是我数据质量不够好，不够多样性，不知大佬有什么数据生成的repo？

原项目地址：https://github.com/Sanster/text_renderer

我做的一些功能扩充后项目地址：https://github.com/SeventhBlue/textGenerationTool

对上面项目比较重要文件的介绍：https://blog.csdn.net/qq_31112205/article/details/103653176

[shining-love]

我印象中记得好像也是，不过微调时acc上升的速度要比重新训练上升的速度要快，你可以留意一下这种速度上的差异。对于为啥是从0慢慢的开始上升，我的一个解释是：微调时的“词典”和原本的“词典”不是子集和父集的关系。假设，原本的“词典”是6000个中、英、特殊符号等字符（第一种情况，特殊字符全部都在“词典”的最后面；第二种，特殊字符杂乱分布）。 微调时去掉特殊字符，对于第一种情况，微调就是原训练“词典”的子集，这个情况开始训练的时候，网络预测的位置和真实“字典”的位置是对应，这个时候的准确度应该会从零一下到很高的位置； 第二种情况，它们的词典就不是子集和父集的关系，用一个例子说明。“帅”原本在“词典”的位置是666；因为微调时去掉特殊字符，“帅”在微调的“词典”的位置是888。这个时候，微调训练并预测“帅”这个字，最开始训练并预测的位置极大可能是666，这个时候就是错误的。但是网络中有字符的特征，所以在收敛速度上就比从新训练要快。

感觉很有道理，大佬如果直接基于预训练模型继续训练，不改动原始的词典，我所生成的数字和英文在原始词典中也都有，这样的效果与改动词典相比哪种会更好？

这个就不知道了，你可以自己试哈，多试就会积累炼丹经验哈。

好的。谢谢大佬。顺便请问一下我的模拟文本识别数据好像质量不行，训练集精度99%左右，训练集精度89%，明显过拟合了，此外测试了一下其他的图片识别效果极差，只对训练集和验证集里面的样本有较好的识别效果。感觉是我数据质量不够好，不够多样性，不知大佬有什么数据生成的repo？

原项目地址：https://github.com/Sanster/text_renderer 我做的一些功能扩充后项目地址：https://github.com/SeventhBlue/textGenerationTool 对上面项目比较重要文件的介绍：https://blog.csdn.net/qq_31112205/article/details/103653176

多谢多谢多谢。谢谢热心的老哥

[liuziang7]

你好大佬，我在微调这个repo以及YCG那个repo时发现一个很奇怪的问题，为什么训练精度acc总是从0开始慢慢往上升，按道理基于预训练模型再训练应该初始精度不为0才对啊，所以感到很奇怪，不知大佬在在再训练（微调）是不是这种情况？我的数据是英文数字组合

您好，我也遇到了同样的问题，我在用自己的数据集在预训练模型基础上做微调的时候，acc总是从0开始，我自己的数据集和原数据集几乎一模一样，label也没问题，字典没有变动，我用自己数据跑denset_predict.py总能预测正确，但用预训练模型微调的时候acc总是从0开始，请问您当时是如何解决的呢