docs/tutorial/README.md
@@ -221,7 +221,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` docs/tutorial/README_zh.md
@@ -225,7 +225,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` @@ -242,7 +242,7 @@ - `train_conf.save_checkpoint_interval`（int）：`5000`（默认），训练中模型保存间隔step数。 - `train_conf.avg_keep_nbest_models_type`（str）：`acc`（默认），保留nbest的标准为acc（越大越好）。`loss`表示，保留nbest的标准为loss（越小越好）。 - `train_conf.keep_nbest_models`（int）：`500`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 保留最佳的n个模型，其他删除，节约存储空间。 - `train_conf.avg_nbest_model`（int）：`5`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.avg_nbest_model`（int）：`10`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.accum_grad`（int）：`1`（默认），梯度累积功能。 - `train_conf.grad_clip`（float）：`10.0`（默认），梯度截断功能。 - `train_conf.use_fp16`（bool）：`False`（默认），开启fp16训练，加快训练速度。 examples/README.md
@@ -221,7 +221,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` examples/README_zh.md
@@ -225,7 +225,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` @@ -242,7 +242,7 @@ - `train_conf.save_checkpoint_interval`（int）：`5000`（默认），训练中模型保存间隔step数。 - `train_conf.avg_keep_nbest_models_type`（str）：`acc`（默认），保留nbest的标准为acc（越大越好）。`loss`表示，保留nbest的标准为loss（越小越好）。 - `train_conf.keep_nbest_models`（int）：`500`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 保留最佳的n个模型，其他删除，节约存储空间。 - `train_conf.avg_nbest_model`（int）：`5`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.avg_nbest_model`（int）：`10`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.accum_grad`（int）：`1`（默认），梯度累积功能。 - `train_conf.grad_clip`（float）：`10.0`（默认），梯度截断功能。 - `train_conf.use_fp16`（bool）：`False`（默认），开启fp16训练，加快训练速度。 examples/aishell/paraformer/conf/paraformer_conformer_12e_6d_2048_256.yaml
@@ -80,7 +80,7 @@ grad_clip: 5 max_epoch: 150 keep_nbest_models: 10 avg_nbest_model: 5 avg_nbest_model: 10 log_interval: 50 optim: adam examples/industrial_data_pretraining/paraformer-zh-spk/README_zh.md
@@ -225,7 +225,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` @@ -242,7 +242,7 @@ - `train_conf.save_checkpoint_interval`（int）：`5000`（默认），训练中模型保存间隔step数。 - `train_conf.avg_keep_nbest_models_type`（str）：`acc`（默认），保留nbest的标准为acc（越大越好）。`loss`表示，保留nbest的标准为loss（越小越好）。 - `train_conf.keep_nbest_models`（int）：`500`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 保留最佳的n个模型，其他删除，节约存储空间。 - `train_conf.avg_nbest_model`（int）：`5`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.avg_nbest_model`（int）：`10`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.accum_grad`（int）：`1`（默认），梯度累积功能。 - `train_conf.grad_clip`（float）：`10.0`（默认），梯度截断功能。 - `train_conf.use_fp16`（bool）：`False`（默认），开启fp16训练，加快训练速度。 examples/industrial_data_pretraining/paraformer/README.md
@@ -221,7 +221,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` examples/industrial_data_pretraining/paraformer/README_zh.md
@@ -225,7 +225,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` @@ -242,7 +242,7 @@ - `train_conf.save_checkpoint_interval`（int）：`5000`（默认），训练中模型保存间隔step数。 - `train_conf.avg_keep_nbest_models_type`（str）：`acc`（默认），保留nbest的标准为acc（越大越好）。`loss`表示，保留nbest的标准为loss（越小越好）。 - `train_conf.keep_nbest_models`（int）：`500`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 保留最佳的n个模型，其他删除，节约存储空间。 - `train_conf.avg_nbest_model`（int）：`5`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.avg_nbest_model`（int）：`10`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.accum_grad`（int）：`1`（默认），梯度累积功能。 - `train_conf.grad_clip`（float）：`10.0`（默认），梯度截断功能。 - `train_conf.use_fp16`（bool）：`False`（默认），开启fp16训练，加快训练速度。 examples/industrial_data_pretraining/paraformer/finetune.sh
@@ -62,6 +62,6 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} examples/industrial_data_pretraining/paraformer_streaming/README_zh.md
@@ -225,7 +225,7 @@ ++train_conf.validate_interval=2000 \ ++train_conf.save_checkpoint_interval=2000 \ ++train_conf.keep_nbest_models=20 \ ++train_conf.avg_nbest_model=5 \ ++train_conf.avg_nbest_model=10 \ ++optim_conf.lr=0.0002 \ ++output_dir="${output_dir}" &> ${log_file} ``` @@ -242,7 +242,7 @@ - `train_conf.save_checkpoint_interval`（int）：`5000`（默认），训练中模型保存间隔step数。 - `train_conf.avg_keep_nbest_models_type`（str）：`acc`（默认），保留nbest的标准为acc（越大越好）。`loss`表示，保留nbest的标准为loss（越小越好）。 - `train_conf.keep_nbest_models`（int）：`500`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 保留最佳的n个模型，其他删除，节约存储空间。 - `train_conf.avg_nbest_model`（int）：`5`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.avg_nbest_model`（int）：`10`（默认），保留最大多少个模型参数，配合 `avg_keep_nbest_models_type` 按照验证集 acc/loss 对最佳的n个模型平均。 - `train_conf.accum_grad`（int）：`1`（默认），梯度累积功能。 - `train_conf.grad_clip`（float）：`10.0`（默认），梯度截断功能。 - `train_conf.use_fp16`（bool）：`False`（默认），开启fp16训练，加快训练速度。 funasr/models/paraformer/template.yaml
@@ -87,7 +87,7 @@ grad_clip: 5 max_epoch: 150 keep_nbest_models: 10 avg_nbest_model: 5 avg_nbest_model: 10 log_interval: 50 optim: adam funasr/models/sanm/template.yaml
@@ -85,7 +85,7 @@ - acc - max keep_nbest_models: 10 avg_nbest_model: 5 avg_nbest_model: 10 log_interval: 50 optim: adam funasr/models/scama/template.yaml
@@ -91,7 +91,7 @@ - acc - max keep_nbest_models: 10 avg_nbest_model: 5 avg_nbest_model: 10 log_interval: 50 optim: adam funasr/models/uniasr/template.yaml
@@ -171,7 +171,7 @@ grad_clip: 5 max_epoch: 150 keep_nbest_models: 10 avg_nbest_model: 5 avg_nbest_model: 10 log_interval: 50 optim: adam funasr/train_utils/trainer.py
@@ -79,7 +79,7 @@ self.validate_interval = kwargs.get("validate_interval", 5000) self.keep_nbest_models = kwargs.get("keep_nbest_models", 500) self.avg_keep_nbest_models_type = kwargs.get("avg_keep_nbest_models_type", "acc") self.avg_nbest_model = kwargs.get("avg_nbest_model", 5) self.avg_nbest_model = kwargs.get("avg_nbest_model", 10) self.accum_grad = kwargs.get("accum_grad", 1) self.grad_clip = kwargs.get("grad_clip", 10.0) self.grad_clip_type = kwargs.get("grad_clip_type", 2.0)
