FastAI learner.fine_tune()接口API文档及参数信息查询

fine_tune()是FastAI Learner类的核心方法，用于快速完成预训练模型的微调流程——它会先冻结预训练模型的主体层，仅训练新增的分类头，随后解冻部分或全部层进行联合训练，是FastAI简化训练流程的关键函数。

可接收参数说明 #

• epochs：必填整数，示例中的3就是这个参数，表示整个微调流程的总训练轮数（默认会拆分1轮训练分类头，剩余轮数用于联合训练）
• base_lr：可选浮点数，默认值2e-3，训练分类头时的学习率，联合训练时的学习率会自动设置为该值的1/10
• freeze_epochs：可选整数，默认值1，单独训练分类头的轮数
• lr_mult：可选浮点数，默认值10，联合训练时主体层与分类头的学习率比例（主体层学习率=base_lr/lr_mult）
• pct_start：可选浮点数，默认值0.3，学习率预热阶段占总训练轮数的比例
• div：可选浮点数，默认值5，学习率调度器中最大学习率与最小学习率的比值
• kwargs：可选字典，可传入fit_one_cycle()支持的其他参数（比如cbs回调函数、wd权重衰减等）

代码示例对应说明 #

你提供的代码：

learner.fine_tune(3)

等价于：

1. 冻结模型主体层，用默认学习率训练分类头1轮
2. 解冻全部模型层，用base_lr=2e-3、主体层学习率2e-4继续训练2轮，全程使用one-cycle学习率调度

额外说明 #

• 该方法的源码属于Learner类的成员方法，本质是封装了freeze()、fit_one_cycle()、unfreeze()、fit_one_cycle()这几个步骤
• 如果需要更精细的控制，可以手动拆分这几个步骤，比如自定义冻结层范围、调整不同阶段的学习率等

内容的提问来源于stack exchange，提问作者user2458922