一、总体工作思路
本项目采用"从零构建"的策略，系统性地开展了深度学习模型的开发与优化工作。其目标在于通过全流程自研方式，深入理解模型构建、训练优化、推理部署的关键技术环节。整体路径分为以下核心阶段：
-
模型初步构建：以最简单的线性模型 y = Ax + B 为起点，快速搭建数据流通路；
-
数据生成机制设计：构建基于正态分布的可控数据生成器，逐步增加数据复杂度；
-
模型复杂度提升：在逐步提高神经网络深度与宽度的同时，引入残差结构等非线性模块；
-
训练流程优化：实现 GPU 加速训练、批量大小调参、日志机制设计、训练过程可视化；
-
推理与部署探索：尝试量化、导出模型、容器打包部署等环节。
二、已解决的问题与应对策略
| 编号 | 问题描述 | 应对措施 |
|---|---|---|
| 1 | 模型无法处理复杂关系 | 引入更深的网络结构（多层网络、残差连接），替换激活函数并实验多种非线性策略（ReLU, Sigmoid, GELU） |
| 2 | 数据集规模不足 | 构建基于正态分布的随机数据生成机制，同时引入噪声模拟真实数据特性 |
| 3 | CPU 训练效率低 | 切换至 GPU 环境，重配运行环境并实现数据与模型的 GPU 加载 |
| 4 | GPU 利用率偏低 | 调整 batch size 参数至 1024，提高显存使用率，同时结合固定步长与动态 epoch 控制策略 |
| 5 | 控制台输出混乱 | 引入日志系统，将输出写入文件，并结合 tqdm 库美化训练进度条 |
| 6 | 模型训练缓慢 | 从 SGD 迁移至 Adam 优化器，并引入混合精度训练（AMP）以提升 GPU 运算效率 |
| 7 | 模型量化效果不佳 | 在 TensorRT 环境配置失败后，采用 PyTorch 原生量化方案尝试部署，但仍未达到理想性能 |
| 8 | 模型部署复杂性高 | 尝试将模型部署至 Docker 容器，结合 GitHub 实现版本控制与分支管理 |
三、尚未解决的问题
-
模型量化精度下降明显
使用 PyTorch 原生量化接口后，推理精度严重下降，尚未确定是否为量化策略问题、数据分布不匹配，或参数量本身过小造成的无效压缩。
-
推理接口格式不统一
原始模型与量化模型格式存在差异，推理接口对接产生多个错误，ONNX 导出与跨框架部署尚未完成验证。
-
训练效率进一步优化空间尚未充分挖掘
虽已采用混合精度与大批量训练策略，但整体训练速度仍随着参数量上升而下降，尚未开展如模型剪枝、通道稀疏化等高级加速手段。
四、关键发现与经验总结
-
自定义数据构建有助于精准控制实验变量
手动定义变量关系与噪声参数，可分阶段验证模型拟合能力。
-
模型结构需因数据特性灵活调整
激活函数、网络层数与宽度对模型收敛性能有显著影响，需根据数据特性进行充分实验。
-
训练性能优化需多策略联动
单一措施难以大幅提升 GPU 利用率，需综合考虑 batch size、AMP、优化器选择与输出机制设计。
-
AI建议需与实际情况结合判断
直接采用通用模型建议可能导致效果骤降，实验验证仍是模型结构设计的核心。