此处提供了用户在 linux 操作系统上使用 PaddleClas 的微调（finetune）模型的教程，此处默认您已经配置好本地环境且已经执行过快速开始相关的代码。
PaddleClas提供了丰富的 ImageNet 预训练模型，使用这些预训练模型做初始化训练自己的任务可以快速收敛，同时可以一定程度避免模型过拟合。
PaddleClas 是通过.txt来读取数据，所以您需要将准备好的分类数据单独存放于一个文件夹，该文件夹中主要有以下四部分内容。
├── train
├── train_list.txt
├── val
├── val_list.txt
其中train和val分别存放训练数据和验证数据，train_list.txt和val_list.txt分别存放训练数据和验证数据的路径和标签。其对应的格式形如：
# 每一行采用"空格"分隔图像路径与标注
# 下面是 train_list.txt 中的格式样例
train/n01440764/n01440764_10026.JPEG 0
...
# 下面是 val_list.txt 中的格式样例
val/ILSVRC2012_val_00000001.JPEG 65
...其中，train/n01440764/n01440764_10026.JPEG 表示该数据的路径，0 表示该数据属于 0 类。
备注：train_list.txt和val_list.txt需要您根据实际情况生成。
在 finetune 自己的任务时，往往需要更改训练的配置文件，在ppcls/configs/ImageNet/中，定义了所有模型在 ImageNet 数据上的训练配置，可以直接修改该配置完成训练。下面以 ResNet50_vd 为例子，详述需要修改的配置。其中，该配置文件存在于ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml。
1.类别数：类别数量默认为1000（ImageNet-1k类别数），此处需要修改为实际任务中的类别数量。
Arch:
name: ResNet50_vd
class_num: your_class_num
2.预训练模型：增加预训练模型可以使Loss快速收敛，增加方式如下：
Arch:
name: ResNet50_vd
class_num: your_class_num
pretrained: True
3.学习率：如果训练远小于 ImageNet 数据量的任务时候，学习率需要减小若干倍，具体减小的幅度需要调试，可以先从减小 10 倍开始调试。
Optimizer:
name: Momentum
momentum: 0.9
lr:
name: Cosine
learning_rate: your_learning_rate
4.数据路径：数据路径需要改为您自己的数据路径。即在数据准备准备好的数据。
DataLoader:
Train:
dataset:
name: ImageNetDataset
image_root: your_image_root
cls_label_path: your_train_cls_label_path
Eval:
dataset:
name: ImageNetDataset
image_root: your_image_root
cls_label_path: your_eval_cls_label_path
当修改完配置文件之后，就可以开始训练自己的任务，此处默认使用 4 卡训练，训练命令如下：
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
--gpus="0,1,2,3" \
tools/train.py \
-c ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml
Q1.如何更改分辨率？
以 224 修改为 320 为例，如果只做训练和评测，可以只修改以下字段：
1.修改配置文件中DataLoader.Train.dataset.transform_ops.1.RandCropImage.size, 如从224修改到320；
2.修改配置文件中DataLoader.Eval.dataset.transform_ops.1.ResizeImage.resize_short, 如从256修改到366；
3.修改配置文件中DataLoader.Eval.dataset.transform_ops.2.CropImage.size, 如从224修改到320。
如果后续涉及模型导出或者infer，需要同时修改以下字段：
1.修改配置文件中Global.image_shape,如从[3, 224, 224]修改到[3, 320, 320]；
2.修改Infer.transforms.1.ResizeImage.resize_short, 如从 256 修改到 366；
3.修改配置文件中Infer.transforms.2.CropImage.size, 如从 224 修改到 320。
Q2.如何更改数据增强？
关于数据增强部分可以参考数据增强文档，里边有详细的介绍。
Q3.如何更改评价指标？
PaddleClas中的分类指标目前只支持 Top-k，如果需要更改 k 值，可以修改配置文件中 Metric.TopkAcc.topk,如从 [1, 5] 修改到 [1, 3]，即评测指标从 Top-1、Top-5 改为 Top-1、Top-3。
Q4.如何进一步提升模型的精度？
1.如果不考虑模型的推理速度，可以更换在 ImageNet 上精度更高的模型，或者使用更大的分辨率，如果考虑模型的推理速度，建议使用经过 PaddleClas 团队优化的 PP 系列模型，如PP-LCNet、PP-HGNet等；
2.可以尝试使用更好的预训练权重，PaddleClas 提供了 20+ 个 SSLD 的预训练权重，在很多任务中都可以提升 1 个百分点以上，使用方式只需要在 Arch 字段下增加use_ssld: True 即可，关于更多SSLD相关的知识，可以参考SSLD 知识蒸馏实战;
3.在实际的任务中，训练轮数对结果影响可能也比较大，初期可以使用较小的轮数（如 20）来调试。
4.模型在微调的过程中，学习率对结果影响比较大，建议多尝试几组学习率。