在上一篇文章中，介绍了PaddleX基本功能和安装方法：40.人工智能——深度学习飞桨-PaddleX 安装：Windows 10系统。本文主要讲一下使用PaddleX的API来训练模型，虽然有PaddleX GUI图像形化界面程序，是可以作为初学者或入门级的选择，如果需要更灵活自由的方式来组织实现自己的功能，则使用PaddleX的提供的API来完成比如方便。

基于PaddleX的模型训练的过程：

一、划分数据集

1、使用paddlex自带命令划分数据集，划分比例一般比例，训练集：验证集：测试集=7:2:1

1.1.图像分类任务：在命令行下输入如下命令

paddlex --split_dataset --format ImageNet --dataset_dir MyDataset --val_value 0.2 --test_value 0.1

1.2.目标检测任务：在命令行输入如何命令

paddlex --split_dataset --format VOC --dataset_dir MyDataset --val_value 0.2 --test_value 0.1

其中参数：

--dataset_dir：数据集目录

--format：数据集格式

--val_value：验证集比例

--val_test：测试集比例

划分完成后，会在数据集目录里自动生成4个文件,用于后面的模型训练。

labels.txt：分类名称或目标名称

test_list.txt：测试数据

train_list.txt：训练数据

val_list.txt：验证数据

二、定义训练和验证时的transforms，图像增强操作。

train_transforms = T.Compose([
  T.RandomResizeByShort( short_sizes=[640, 672, 704, 736, 768, 800], max_size=1333, interp='CUBIC'), 
  T.RandomHorizontalFlip(), 
  T.Normalize( mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

eval_transforms = T.Compose([
    T.ResizeByShort(short_size=800, max_size=1333, interp='CUBIC'),
  T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

说明：为了简化代码，默认参数可以省略不写。根据需要选择合适的增强操作。

详细API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/transforms/transforms.md

三、定义训练和验证所用的数据集

train_dataset = pdx.datasets.VOCDetection(
    data_dir='goods',
    file_list='goods/train_list.txt',
    label_list='goods/labels.txt',
    transforms=train_transforms,
    shuffle=True)

eval_dataset = pdx.datasets.VOCDetection(
    data_dir='goods',
    file_list='goods/val_list.txt',
    label_list='goods/labels.txt',
    transforms=eval_transforms,
    shuffle=False)

参数说明：

data_dir：数据集目录

file_list：训练数据文件

label_list：标签文件

transforms：数据增强

shuffle：是否开启乱序

四、初化始模型，开启训练

num_classes = len(train_dataset.labels)
model = pdx.det.FasterRCNN( num_classes=num_classes, backbone='ResNet50', with_fpn=True)

说明：这里主要选择算法模型和backbone骨干网

详细API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/models/detection.md

model.train(
    num_epochs=12,
    train_dataset=train_dataset,
    train_batch_size=2,
    eval_dataset=eval_dataset,
    learning_rate=0.0025,
    lr_decay_epochs=[8, 11],
    warmup_steps=500,
    warmup_start_lr=0.00025,
    save_dir='output/faster_rcnn_r50_fpn',
    use_vdl=True)

参数说明：

num_epochs：是模型训练迭代的总轮数(模型对训练集全部样本过一遍即为一个epoch)，用户可以设置较大的数值，根据模型迭代过程在验证集上的指标表现，来判断模型是否收敛，进而提前终止训练。

train_dataset：训练集

train_batch_size：指模型在训练过程中，前向计算一次(即为一个step)所用到的样本数量，Batch Size跟机器的显存/内存高度相关，batch_size越高，所消耗的显存/内存就越高，如若训练时提示GPU显存不足，则相应调低BatchSize。

eval_dataset：验证集

learning_rate：学习率

lr_decay_epochs：用于让学习率在模型训练后期逐步衰减，它一般是一个list，如[6, 8, 10]，表示学习率在第6个epoch时衰减一次，第8个epoch时再衰减一次，第10个epoch时再衰减一次。每次学习率衰减为之前的学习率*lr_decay_gamma。

warmup_steps，warmup_start_lr：在训练模型时，一般都会使用预训练模型，例如检测模型在训练时使用backbone在ImageNet数据集上的预训练权重。但由于在自行训练时，自己的数据与ImageNet数据集存在较大的差异，可能会一开始由于梯度过大使得训练出现问题，这种情况下可以在刚开始训练时，让学习率以一个较小的值，慢慢增长到设定的学习率。warmup_steps和warmup_start_lr就是起到这个作用，模型开始训练时，学习率会从warmup_start_lr开始，在warmup_steps个batch数据迭代后线性增长到设定的学习率。

save_dir：训练模型保存的目录

use_vdl：是否开启可视化分析。