如何理解深度学习的训练过程

1.训练是干什么？

以yolov5为例子，训练的目的是把一组输入猫狗图像放到神经网络中，得到一个输出模型，这个模型下次可以直接用来识别哪个是猫，哪个是狗

2.预训练模型进行训练，主要更改的是预训练模型的什么东西？

• 超参数（Hyperparameters）：

这是模型结构中定义的参数，比如：
卷积核大小（kernel_size）：影响特征提取的精细程度。
步长（stride）：决定卷积操作在输入特征图上的移动幅度，影响输出的特征图大小。
激活函数（如SiLU）：影响非线性变换的方式。
层数、通道数（如卷积核数量、隐藏层数量）：影响模型的复杂度。
调整这些超参数不涉及对模型本身权重的学习，而是你手动设计模型结构的过程。你可以手动设置这些参数，优化模型的表现。

• 模型参数（Trainable Parameters）：

这是模型在训练过程中通过数据自动学习的参数，主要是卷积层的权重和偏置。比如卷积核内部的权重（Conv2d中的weights和bias）会随着训练数据的输入和误差的反馈不断更新。
这些参数是在反向传播过程中由优化器（如Adam、SGD等）自动调整的，目的是使模型更好地拟合训练数据。(这里的weights和bias是隐含的，不会出现在打印出的网络结构中)