模型训练
模型训练的目的是使用生成的训练数据进行神经网络模型训练，根据设置参数，不断地对模型迭代评估，以得到可用的神经网络模型。
SuperMap 内置了 TensorFlow、Pytorch 等开源框架，结合不同的数据集类别对机器学习或深度学习模型进行训练，整体训练过程通过多次迭代（epoch）的方式来得到训练结果更优的网络模型，同时在训练模型中使用基于大规模基础训练数据的预训练模型，减少训练时间，通过超参数调优（学习率、Batchsize等）提升模型训练效率和准确度。桌面端训练工具适用于短周期模型训练。
主要参数
- 功能入口：工具箱->机器学习->影像分析->模型训练工具。
- 训练数据路径：选择通过生成训练数据工具的结果文件夹，即影像、标签训练数据所在文件夹。
- 训练模型用途：提供目标检测、二元分类、地物分类、场景分类、对象提取、通用变化检测六种用途。
- 模型算法：根据模型用途选择合适的模型算法。默认值为根据不同用途推荐的算法，用户可自行更改或选择自定义算法
- 训练配置文件：训练需要的训练配置文件(*.sdt)，该参数需与模型算法中选择的算法匹配。如果选择产品内置的算法，该参数会根据算法自动匹配 resources_ml/train_config 中的配置文件；如选择自定义算法，用户需选择自定义算法对应的训练配置文件。
- 训练次数：所有训练数据参与模型训练的次数(epoch)，默认值为 10。随着训练次数的增多，模型拟合度越大，次数太多可能会出现过拟合的情况，用户可根据需求选择，训练次数与运行花费时间成正比。
- 单步运算量：一次训练中单步运算的图片数量（batch size），默认值为1。在合理范围内，单步运算的数量与内存（显存）占用成正比，与训练时间成反比。
- 学习率：可选参数，用于确定模型参数的更新幅度（learning rate）。学习率过大，会导致待优化参数在最小值附近波动；学习率过小，会导致收敛速度过慢。如用户不填写则使用内置的学习率开始训练。
- 训练日志路径：用于设置训练日志存储路径，需选择一个空文件夹，该路径下会生成多个文件夹。
- 加载预训练模型：若勾选该选项，可基于预训练模型（.sdm）进行迁移学习，会在预训练模型基础上进行训练。注意：前后两次训练需要训练数据的尺寸、类别和用途相同。
- 处理器类型：可以使用计算机中央处理器 (CPU) 或图形处理单元 (GPU) 来处理数据。GPU具有较快的计算速度。
- GPU编号： 如果有多个 GPU，可以指定用于处理数据的 GPU 标识号。默认值为 0。如使用多GPU进行训练，各GPU编号需要使用“,”隔开，如1,3
- 结果数据：设置模型存储路径及模型名称。
