一般通用的trick都被寫進論文和代碼庫里了

像優秀的優化器，學習率調度方法，數據增強，dropout，初始化，BN，LN，確實是調參大師的寶貴經驗，大家平常用的也很多。

這里主要有幾個，我們分成三部分，穩定有用型trick，場景受限型trick，性能加速型trick。

穩定有用型trick

0.模型融合

懂得都懂，打比賽必備，做文章沒卵用的人人皆知trick，早年模型小的時候還用stacking，直接概率融合效果也不錯。

1. 對抗訓練

對抗訓練就是在輸入的層次增加擾動，根據擾動產生的樣本，來做一次反向傳播。以FGM為例，在NLP上，擾動作用于embedding層。給個即插即用代碼片段吧，引用了知乎id:Nicolas的代碼，寫的不錯，帶著看原理很容易就明白了。

#初始化
fgm=FGM(model)
forbatch_input,batch_labelindata:
#正常訓練
loss=model(batch_input,batch_label)
loss.backward()#反向傳播，得到正常的grad
#對抗訓練
fgm.attack()#在embedding上添加對抗擾動
loss_adv=model(batch_input,batch_label)
loss_adv.backward()#反向傳播，并在正常的grad基礎上，累加對抗訓練的梯度
fgm.restore()#恢復embedding參數
#梯度下降，更新參數
optimizer.step()
model.zero_grad()

具體FGM的實現

importtorch
classFGM():
def__init__(self,model):
self.model=model
self.backup={}

defattack(self,epsilon=1.,emb_name='emb.'):
#emb_name這個參數要換成你模型中embedding的參數名
forname,paraminself.model.named_parameters():
ifparam.requires_gradandemb_nameinname:
self.backup[name]=param.data.clone()
norm=torch.norm(param.grad)
ifnorm!=0andnottorch.isnan(norm):
r_at=epsilon*param.grad/norm
param.data.add_(r_at)

defrestore(self,emb_name='emb.'):
#emb_name這個參數要換成你模型中embedding的參數名
forname,paraminself.model.named_parameters():
ifparam.requires_gradandemb_nameinname:
assertnameinself.backup
param.data=self.backup[name]
self.backup={}

2.EMA/SWA

移動平均，保存歷史的一份參數，在一定訓練階段后，拿歷史的參數給目前學習的參數做一次平滑。這個東西，我之前在earhian的祖傳代碼里看到的。他喜歡這東西+衰減學習率。確實每次都有用。

#初始化
ema=EMA(model,0.999)
ema.register()

#訓練過程中，更新完參數后，同步updateshadowweights
deftrain():
optimizer.step()
ema.update()

# eval前，apply shadow weights；eval之后，恢復原來模型的參數
defevaluate():
ema.apply_shadow()
#evaluate
ema.restore()

具體EMA實現，即插即用：

classEMA():
def__init__(self,model,decay):
self.model=model
self.decay=decay
self.shadow={}
self.backup={}

defregister(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
self.shadow[name]=param.data.clone()

defupdate(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
assertnameinself.shadow
new_average=(1.0-self.decay)*param.data+self.decay*self.shadow[name]
self.shadow[name]=new_average.clone()

defapply_shadow(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
assertnameinself.shadow
self.backup[name]=param.data
param.data=self.shadow[name]

defrestore(self):
forname,paraminself.model.named_parameters():
ifparam.requires_grad:
assertnameinself.backup
param.data=self.backup[name]
self.backup={}

這兩個方法的問題就是跑起來會變慢，并且提分點都在前分位，不過可以是即插即用類型

3.Rdrop等對比學習方法

有點用，不會變差，實現起來也很簡單

#訓練過程上下文
ce=CrossEntropyLoss(reduction='none')
kld=nn.KLDivLoss(reduction='none')
logits1=model(input)
logits2=model(input)
#下面是訓練過程中對比學習的核心實現！?。?！
kl_weight=0.5#對比loss權重
ce_loss=(ce(logits1,target)+ce(logits2,target))/2
kl_1=kld(F.log_softmax(logits1,dim=-1),F.softmax(logits2,dim=-1)).sum(-1)
kl_2=kld(F.log_softmax(logits2,dim=-1),F.softmax(logits1,dim=-1)).sum(-1)
loss=ce_loss+kl_weight*(kl_1+kl_2)/2

大家都知道，在訓練階段。dropout是開啟的，你多次推斷dropout是有隨機性的。

模型如果魯棒的話，你同一個樣本，即使推斷時候，開著dropout，結果也應該差不多。好了，那么它的原理也呼之欲出了。用一張圖來形容就是：

隨便你怎么踹(dropout)，本AI穩如老狗。

KLD loss是衡量兩個分布的距離的，所以說他就是在原始的loss上，加了一個loss，這個loss刻畫了模型經過兩次推斷，抵抗因dropout造成擾動的能力。

4.TTA

這個一句話說明白，測試時候構造靠譜的數據增強，簡單一點的數據增強方式比較好，然后把預測結果加起來算個平均。

5.偽標簽

代碼和原理實現也不難，代價也是訓練變慢，畢竟多了一些數據一句話說明白，就是用訓練的模型，把測試數據，或者沒有標簽的數據，推斷一遍。構成偽標簽，然后拿回去訓練。注意不要leak。

聽起來挺離譜的，我們把步驟用偽代碼實現一下。

model1.fit(train_set,label,val=validation_set)#step1
pseudo_label=model.pridict(test_set)#step2
new_label=concat(pseudo_label,label)#step3
new_train_set=concat(test_set,train_set)#step3
model2.fit(new_train_set,new_label,val=validation_set)#step4
final_predict=model2.predict(test_set)#step5

用網上一個經典的圖來說就是。

6.神經網絡自動填空值

表數據在NN上的trick，快被tabnet 集大成了，這個方法是把缺失值的位置之外的地方mask，本身當成1這樣可以學習出一個參數，再加回這個feature的輸入上?？梢钥纯此恼碌膶崿F。

場景受限型trick

有用但場景受限或者不穩定

1.PET或者其他prompt的方案

在一些特定場景上有用，比如zeroshot，或者小樣本的監督訓練，在數據量充足情況下拿來做模型融合有點用，單模型不一定干的過硬懟。

2.Focalloss

偶爾有用，大部分時候用處不大，看指標，在一些對長尾，和稀有類別特別關注的任務和指標上有所作為。

3.mixup/cutmix等數據增強

挑數據，大部分數據和任務用處不大，局部特征比較敏感的任務有用，比如音頻分類等

4人臉等一些改動softmax的方式

在數據量偏少的時候有用，在工業界數據量巨大的情況下用處不大

5.領域后預訓練

把自己的數據集，在Bert base上用MLM任務再過一遍，代價也是變慢，得益于huggingface可用性極高的代碼，實現起來也非常簡單，適用于和預訓練預料差別比較大的一些場景，比如中藥，ai4code等，在一些普通的新聞文本分類數據集上用處不大。

6.分類變檢索

這算是小樣本分類問題的標準解法了，類似于人臉領域的baseline，在這上面有很多圍繞類間可分，類內聚集的loss改進，像aa-softmax,arcface，am-softmax等

在文本分類，圖像分類上效果都不錯。

突破性能型trick

1.混合精度訓練

AMP即插即用，立竿見影。

2.梯度累積

在優化器更新參數之前，用相同的模型參數進行幾次前后向傳播。在每次反向傳播時計算的梯度被累積（加總）。不過這種方法會影響BN的計算，可以用來突破batchsize上限。

3.Queue或者memery bank

可以讓batchsize突破天際，可以參考MoCo用來做對比學習的那個實現方式

4.非必要不同步

多卡ddp訓練的時候，用到梯度累積時，可以使用no_sync減少不必要的梯度同步，加快速度

審核編輯 ：李倩