type
status
date
summary
tags
category
icon
password
featured
freq
difficulty
人们谈论模型架构、参数规模和 SOTA 的频率，远高于谈论训练本身。
无论是传统机器学习还是深度学习，一个模型是否真正“聪明”，不只取决于模型名称是否先进，更取决于训练过程是否科学、稳健、可泛化。
模型训练不是简单的“喂数据、跑代码”，而是一个由数据质量、特征表达、优化设计、训练稳定性、泛化策略与调参系统共同构成的复杂工程体系。
这一过程类似于培养一个学生：教材要对、学习方法要对、习惯要对、纠错要及时、反馈要合理。
本文将从底层原理到实践方法，系统解析训练高质量模型的完整路径。
数据与特征决定模型的上限
模型训练的第一性原理是：模型只能从数据中学习它所看到的世界。
如果数据有偏、质量差、特征表达不合理，模型再先进也无法学好。一个常被忽略的事实是：现实中 80% 模型训练效果差，并不因为模型不好，而因为数据准备不足。
面对一个表现不佳的模型，你应该先问的问题不是：“用不用 Transformer？”而是：“模型学到的表征（representation）本身够不够承载任务？”
如果任务需要模型理解因果、逻辑、视觉对齐或结构依赖，而数据全是表面统计模式，那么再多的样本，也无法让模型学到真正的能力。
这是为什么近几年 self-supervised learning（自监督）和 foundation models 能超越传统监督学习，因为它们提供了更丰富的信息结构，而不是更多标签。
1. 理解数据
训练前必须回答几个问题：
- 数据分布是均匀还是偏斜？
- 是否存在噪声、缺失、异常值？
- 样本是否平衡？不平衡会导致模型“偏见式学习”
- 训练集与测试集是否服从同分布？（Distribution Shift 是真实场景常见陷阱）
忽略这些问题的模型训练，就像蒙着眼睛开车。
2. 特征工程没有消失，只是变成了 Representation Engineering
深度学习时代，人们以为特征工程死了。但其实它只是进化成另一种形态：
这意味着“怎么让模型看到正确的信息”比“用哪种模型”重要得多。
过去（传统ML） | 现在（深度学习） |
手工设计特征 | 学习表征（Representation Learning） |
特征选择（Feature Selection） | 架构与预训练语料选择 |
标准化/归一化等数据处理 | Feature dynamics & tokenization research |
模型结构和训练方式是在隐式定义特征空间。
模型训练是不断从错误中学习的过程
模型训练的过程，本质是一个“不断犯错 → 识别错误 → 调整”的迭代系统，让模型逐步减少不确定性。
1. 明确模型的学习目标：损失函数（Loss Function）
损失函数（Loss Function）是训练方向的风向标。
不同任务对应不同的损失函数，如：
- 回归问题：MSE、MAE 让预测更接近数值真值
- 分类问题：交叉熵衡量预测与真实分布的差距
- 排序、推荐任务：目标可能是排序一致性或用户行为概率
- 生成任务：可能使用对数似然、KL散度、感知损失甚至对抗损失
优秀的损失函数不仅衡量“对不对”，还应能有效引导梯度方向，提升模型学习效率和泛化能力。
2. 反向传播：神经网络学习的核心算法
神经网络靠什么学习？
不是靠“记忆数据”，而是靠反向传播（Backpropagation）+ 梯度下降。
反向传播通过链式求导，将“错误”分配到每一层，使每个参数知道自己应该如何调整，从而形成“学习”。
反向传播解决了一个关键问题：深层网络如何知道哪里需要调整？它是实现深度网络高效学习的数学基础。
3. 优化器：决定参数更新的策略
优化器决定模型如何调整参数。它类似“学习方法论”：
- SGD：像传统学生，一步步慢慢学，
- Momentum：像会做笔记的认真学生，会记住趋势，
- Adam：自适应学习率，像聪明学生会调整学习策略，
- AdamW：兼顾健身的优秀学生，把学习和保持身材这两件事分开做：学习的时候专心听讲（进行梯度更新），然后单独安排时间塑身（权重衰减）。
现代训练还融合了分布式优化、混合精度、分层学习率等技术，进一步提升训练效率和模型性能。
损失函数定义“学什么”，反向传播和优化器决定“怎么学”，三者协同作用构成深度学习训练的核心机制。
模型训练为什么会“学不好或学不动”？
研究模型训练过程有点像观察生命体的成长：它会兴奋、停滞、遗忘、偏执、甚至“学坏”。
很成长一样，模型的训练过程并不总是顺利。许多模型不是因为算法错误，而是因为训练过程中出现“学习阻塞”。
1. 权重初始化决定学习路径的起点
权重初始化常被误认为是“工程参数”，但实际上，它决定了模型会看到怎样的 loss landscape。
- 若初始化过大 → 激活函数饱和 → 梯度消失
- 若初始化过小 → 信号弱 → 梯度趋近 0 → 学习停滞
- 糟糕初始化会让模型一开始就走错“山谷”，难以逃脱
以 Xavier 初始化为例（Glorot & Bengio, 2010），它假设：每一层的输出方差与输入方差相同，使梯度在前向与反向传播中保持稳定。
后来 Kaiming 初始化（He et al., 2015）为 ReLU 系列激活函数做了修正，因为 ReLU 会截断负半轴，方差需要补偿。
2. 激活函数塑造了模型的“表达偏好”
激活函数 是模型隐含的 inductive bias（归纳偏置），即它在有限数据上如何推广和泛化，同时优先假设数据遵循何种分布和函数模式。
激活函数 | 隐含建模偏置 | 备注 |
Sigmoid/Tanh | 假设输出在有限区间，适用于概率或状态建模 | 易饱和，造成梯度消失 |
ReLU 系列 | 稀疏表征、线性片段组合 | 引发“死亡 ReLU”现象，但训练快 |
GELU | 平滑、带概率性 | GPT 系列采用，有更好的训练动力学 |
Swish | 允许小负值 | 与注意力结合表现优异 |
激活函数为神经网络引入非线性，使其能够学习和表达复杂的模式与关系。这也是为什么关于激活函数的研究不断推进，新型激活函数如SiLU、Mish、SmeLU等不断被提出，旨在提升网络的学习能力和泛化效果。
3. 学习率 决定模型“记忆 vs 理解”的平衡点
学习率是训练中最具“性格影响力”的超参。
- 学习率太大：模型像情绪化的学生，被一条反例就推翻之前认知，
- 学习率太小：模型像只会死记硬背的学生，无法抽象、不敢更新信念。
而学习率调度（LR schedule）本质是“让模型在不同学习阶段性格不同”：
阶段 | 学习率策略意图 |
初期 warm-up | 防止梯度爆炸，让模型先“适应世界” |
中期 cosine/linear decay | 逐步从探索走向收敛 |
后期 fine-tuning with small LR | 巩固能力、更关注泛化而非拟合 |
REF-Balanced 注：Transformer（Vaswani et al., 2017）提出 warm-up 的初衷是在深层网络中避免梯度一开始振荡。
4. Batch Size 决定模型如何看待世界
关于“大 Batch vs 小 Batch”：
小 Batch | 大 Batch |
梯度噪声大 → 更能逃出 sharp minima | 梯度平滑 → 收敛快但易陷入 sharp minima |
更像“从个案中学习” | 更像“从统计规律中学习” |
泛化往往更好 | 需要额外正则与技巧维持泛化 |
一个重要的理论解释来自SGD as implicit regularization研究方向：小 Batch 的梯度噪声是“隐式正则”，帮助找到更平滑、泛化更好的解。
但 Foundation Model 时代数据与模型巨大，大 Batch 与 LayerNorm + Scale Schedule的组合逐渐成熟（见 GPT-3 与 PaLM 系列训练策略）。
调参的哲学
在研究或工程实践中，有三种截然不同的“调参心态”：
- 初学者：把调参当“玄学试灯泡”，希望撞到最优
- 工程师：把调参当“优化工程”，追求可靠可复现
- 研究者：把调参当“理解模型行为的实验工具”
其实，调参不是为了找到最好的一组超参，而是为了理解模型的行为边界。
1. Grid Search vs Random Search 的隐性哲学差异
为什么 Random Search（Bergstra & Bengio, 2012）碾压 Grid Search？
不是因为“更省计算”，而是因为：
- 在高维超参空间中，大多数维度对性能影响极不均衡
- Grid Search 把预算浪费在无意义的组合上
- Random Search 扩展了探索空间，使模型有机会表现出“意外能力”
更研究者式的理解是：Grid Search 是均匀采样，Random Search 是对“有效维度”进行高效探索。
近年来，Bayesian Optimization、Hyperband、BOHB、Population Based Training（PBT）等方法更像是在模拟“进化式科研实验”。
2. 两种调参哲学：奖励好组合 vs 剔除坏组合
调参往往不是“找到最优”，而是：
A) Rewarding the Good 找到有效的结构、路径、模式，然后不断强化与延展
B) Eliminating the Bad 速识别错误假设、无效区域，把搜索空间缩小
多数人只做 A，不做 B，导致在坏空间内浪费大量算力。
也就是说：有效调参不取决于你能找到多少好组合，而取决于你能多快停止错误方向。
3. 如何判断瓶颈是在数据、模型、损失还是优化？
下面给出一个实用的判断框架：
现象 | 可能瓶颈 | 方案 |
train ≈ val 都差 | 数据或模型表达力不足 | 改数据、多任务、换架构 |
train 好、val 差 | 泛化问题 | 正则、数据增强、减少自由度 |
学习曲线早停滞 | 优化动力学问题 | 改 LR、优化器、归一化 |
Loss 降但指标不升 | 损失与任务不匹配 | 设计 task-specific loss |
读懂模型的训练曲线
训练曲线不是报告，而是模型的“心电图”。
我们常画两条曲线：Training Loss 和 validation Loss, 以及一个 performance gap（泛化差）。
模型训练过程可视为四种典型状态：
状态 | 描述 | 备注 |
快速同步下降 | train 与 val 一起降 | 学习顺畅 |
train 降、val 稳 | 出现过拟合趋势 | 模型在记忆细节 |
train 稳、val 不稳 | 优化不良 | 看优化器或 LR 调度 |
波动剧烈 | 梯度不稳定 | Batch 小、LR 大、初始化差 |
模型训练范式的演变
当前主流的训练范式已演化为：Self-Supervised → Pretraining → Alignment → Continual Learning。
- 预训练（Pretraining）阶段，模型通过自监督学习或弱监督学习，从大量未标注数据中学习基础的通用表征能力，为后续任务打下坚实基础。
- 对齐（Alignment）阶段，重点是让模型在输出时更符合人类的期望，包括安全性、伦理性和精确性，通常通过人工反馈微调（RLHF）等技术实现。
- 持续学习（Continual Learning）阶段，模型不再是一次性训练后固定不变，而是在不断接收新数据和反馈中迭代进化，实现长期适应和能力提升。
这种演化改变了传统对“训练”的定义，从简单的“参数优化”转为引导模型逐步构建对世界的理解与认知能力，使得训练过程更像是塑造智能体认知和行为的持续过程。
总结来说，训练范式已由过去单纯的监督学习，发展为结合自监督预训练、对齐调整以及持续进化的复杂多阶段流程，反映了人工智能从“模式识别”向“智能理解”的根本转变.
结语
模型训练看成是数值优化问题，也可以看成信息论问题、统计学习问题、甚至神经动力学问题。
好的训练不只是 minimize loss，而是让模型先看世界全貌，再看细节。训练模型，就是在训练一种看世界的方式：
- 数据赋予它世界的样子，
- 损失函数告诉它什么是“错误”，
- 优化器决定它如何反思并前进。
- 作者:Fan Luo
- 链接:https://fanluo.me/article/模型训练的方法与实践
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
上一篇
NLP技术与应用：从语言理解到智能生成
下一篇
深度学习模型架构的演进