一、前言
NLP领域出现了ChatGPT,而CV领域也出现了SAM(Segment Anythimg Model)。那么作为地理人（其实不单单是地理人）的我们也不可只停留于原地，只会传统的方法，我们也要Fashion一波。本文以开源数据集、开源模型为例，构建一个用于遥感影像建筑物提取的语义分割模型。
二、构建思路
已有许多博文对深度学习进行过详尽的介绍，本文就不巴拉巴拉了。简单的讲，我们需要一个地球知识库（Earth knowledge base）即训练数据集和一个深度学习模型（Deep learning model）。一般的流程如下图所示：
构建地球知识库（Earth knowledge base）
构建深度学习模型（Deep learning model）
模型训练（Model training）
模型预测（Model prediction）
模型部署（Model deployment）
在上两节内容我们已经完成构建地球知识库(Earth knowledge base)即数据集的构建和深度学习模型（Deep learning model）选择。
三、模型训练（Model training）
目前训练深度学习模型主要分为线下训练和云上训练两大方式。
1.线下训练
线下训练是最为便捷，但需要条件较多。
1.一台高性能的主机（GPU+SSD固态）
2.电源稳定，不断电
3.计算机基本功扎实（解决配置环境和其他疑难杂症）
........
1.1 环境配置
win10+NVIDIA MX250显卡深度学习环境配置
注意：30系显卡与CUDA11.0以上版本才能兼容！！！
1.2 调试构建好的模型及数据加载
对你在第二步所构建好的模型进行调试。
调试的内容
1.数据加载进模型是否正确（dataset）
2.深度学习具体框架（pytorch 或者tensorflow）及模型所需的第三方包是否能满足
3.测试出合适的模型超参数（学习率、批大小等）
......
1.3 正式开始模型训练
模型训练是一个重复实验、不断调整模型超参数的过程，俗称为"炼丹"。
线下的话，建议把丹炉放在实验室，不要放宿舍，费电！！！
2.云上训练
对于线下机器不能满足训练的模型需求，则考虑上云，一些常见的云GPU平台如下：
无广告！！！，各平台大同小异，喜欢哪个都可以！！！
| featurize | 恒源云 |
| 
|
云端训练的优点
1.环境随意安装，上手简单
2.可根据自己的需求选择不同算力的GPU
3.可以实现多线程训练，压缩模型训练时间
4.不用担心人为因素干扰（误触误碰和不断电），可以安心睡觉
......
云端训练的缺点
1.数据集如果过大，上传将成为问题
2.要有充足的经费（💴）
......
2.1 付费开机
2.2 通过软件进行数据集传输
将数据集压缩打包，通过如Xshell或Xftp软件进行数据上传及操作。
2.3 对平台进行操作
这里可以通过在线的JupterLab或者通过VScode进行远程连接，进行模型及数据集解压，环境适配等工作，就可以开始训练。
2.4 正式开始训练
填写相关超参数，输入命令开始训练，然后安安稳稳睡大觉，钱会自动扣的。
当然，模型往往不是一次就能训练好的，寻找合适的超参数使得模型精度达到最高，那是一个漫长的过程！
3.评估训练结果
1.评估模型训练过程
通过tensorboardX可视化；
其实可视化模型训练过程的库有很多，也可以直接输出TXT文档。tensorboardX是目前可视化的主流，并且示例代码使用的也是该包，更多信息自行查阅
在虚拟的python环境可通过conda/pip命令安装；
pip install tensorboard
pip install tensorflow
pip install tensorboardX
在浏览器中查看可视化结果（cmd启动tensorboardX）。一般该文件存储在run文件夹下。启动命令如下：
tensorboard --logdir=‘文件绝对路径’ tensorboard
–logdir=“D:\Pytorch深度学习入门\biLSTM_attn-master\logs”
打开就知道训练及验证过程的各种参数的变化，如何看，也是自行查阅，篇幅有限，无法一一介绍。
i2.采用测试集对其精度评估
验证集只能代表模型在数据集上的评估精度，与真实测试结果有较大差异。
该部分内容留到下一节模型预测再讲述
