根据博主自己算法落地和一些其他博主的总结

面试的时候，面试官特别讨厌直接使用paperswithcode上SOTA模型，如果该模型work的话，就直接用，并没有思考该模型为什么适用于特征任务，因此尝试法并不可取，这也是本博文的初衷。

1、熟悉数据

吴恩达：80%数据 + 20%的模型 = 更好的AI
对于新的项目任务来说，第一步就是需要熟悉数据，例如检测任务，可以写一个可视化代码查看标注是否合理，查看一下待检测物体的大小分布情况（方便anchor设定），查看图片大小，查看类别分布情况（是否出现长尾现象）等等。

2、算法选型

在接到一个新领域的任务时，需要调研相关领域的算法，例如博主之前做过动作检测，一开始自己并不是很熟悉这个领域，因此一开始的时候调研会花掉很长的时间，这一部分也是需要耐心的时候。虽然调研的时候需要花费一些时间，但是这样在算法选型上可以少做一些实验，性价比很高！例如动作检测：openpose，slowfast，hrnet等，建议之间看mmdet 系列的！强推强推强推！
不太可取的思路：

1. 在指标上太钻牛角尖，例如指标在自己数据集上效果不太好的情况，立马换别的算法，或者立马换一个backbone。需要认真分析是什么指标效果不好，ap还是ar差？，是自己训练有问题（lr），还是当前数据不太适合该算法，还是评测指标不合理
2. 不进行相关调研，直接上SOTA算法：例如当前任务检测目标是小目标，而SOTA算法偏向于检测中大目标，再例如：SOTA没有针对自己场景数据做一些优化。或者是当前任务对FPS要求高，而SOTA模型往往都是很重的网络。

3.基于已有实现来优化算法

对于某个任务在选择好合适的算法以后，最好选用github上star比较高的开源项目进行算法的复现。
这样做的目的：

• 更方便深入的理解算法的具体细节，文章不可能对整个模型说的特别具体（使用额外的tricks），需要我们在阅读源码。
• 能快速掌握算法的基础性能，比如复现算法大概的运行速度和达到的效果
• 不用自己做一些无用功

利用改进开源项目模型有下面几点思路：

• 代码是否实现了文章一些涨点的trick，如果没有可以尝试。
• 文章一般会分析实验结果，后面会有作者自己的一些观点，他们可能会说明为什么有些情况文章的算法效果较差。
• 有些文章会写他们将来可能的工作，这也是一个改进思路
• 需要可视化查看实验结果（特别是跑自己的数据集），结果可能与作者在公开数据集展示出的问题不一样，分析效果差的原因

4.从0复现算法

一些建议：

• 尽量测试每一个细节，从数据接口，模型，到loss输出，到最终的评测代码。保证每个部分都可控
• 测试数据接口，从单进程，batch为1开始，方便打印数值进行对比
• 不要随意的去随机，尽量保证问题可以复现比如先不要加入随机数据增强，模型的随机种子固定。
• 用少量的数据，这样可以快速的做实验，也可以让模型快速过拟合。模型能过拟合可以大概确定模型是可以学到点什么的。
• 尽量按照原文来复现，在复现前，先不要过多的添加自己独特的想法。比如训练参数，模型backbone，数据增强方式等等先按照文章来。不清楚的点可以尝试email作者或者寻找相关圈子讨论。
• 日志打印全，比如解loss为nan的情况，需要知道是forward的导致还是bp导致。

5.一些有用的训练建议

• 保证数据是可靠的
• 有预训练模型一定一定一定要用上！
• 通常学习率参数小于1e-5基本没啥用了，比如cosine或者step操作，最后的学习率到1e-5就好了。当然特殊任务不一样
• bn在训练时记得打开更新（特别是tf的小伙伴，容易漏），不然可能出现的问题是训练时loss下降很快，测试感觉模型就没收敛
• sgd是很棒的，但是实验用adam或许收敛速度更好
• 如果想要很好的压榨出一个算法的性能，请先保证当前模型能到达相应的性能再去压榨。而不是盲目的换模块，疯狂调参，那样可能只是浪费时间
• 不要太相信自己的调参技术，在没有一个较好的baseline情况下，调参不会有质的飞跃（除非是之前参数造成了某种bug）
• 数据小时，使用了预训练模型记得固定前几层的模型参数，还可以用小点的学习率
• 重复训练可能可以提升点数，将一个模型训练好后，用训练好的模型做预训练模型载入，继续用同一套参数训练。
• DL没有像机器学习有那么多公式支撑，很多都是make sense就做个实验来验证，所以尽量多阅读论文，看看别人的实验，这样就可以减少不必要的实验