我們完成了數據的結構化分割，並實作了 DataLoader，將乾淨的圖片轉化為模型可食用的數據流。今天，我們將正式進入訓練環節：首先進行快速的 Stage 1 訓練，然後進入關鍵的 Stage 2 微調 (Fine Tuning)，並開始比較三個模型的性能。

一、遷移學習基底模型介紹
我的專案目標是找出最適合自然災害影像分類的模型。我選擇了三種在深度學習領域具有代表性和不同優勢的 CNN 架構作為我的媽媽：

二、多模型 Stage 1 訓練：凍結與分類頭訓練
在 Stage 1，我們只用 ImageNet 權重初始化模型，然後凍結卷積基底，只訓練替換後的分類頭，快速讓模型適應新的災害類別。

1. 模型載入與凍結
   我使用 Fast.ai 的 cnn_learner 簡化了遷移學習的初始化步驟。

from fastai.vision.all import *

# 載入 ResNet34 預訓練模型
learn_resnet = cnn_learner(dls, resnet34, metrics=accuracy)
# cnn_learner 自動：載入 ImageNet 權重、凍結卷積基底、替換分類頭。

2. 啟動 Stage 1 訓練我對三個模型都使用 $1e-3$ 的學習率進行了 3 個 Epoch 的快速訓練。

# 訓練 ResNet34, VGG16, EfficientNetB0
learn_resnet.fit_one_cycle(3, lr_max=1e-3)
learn_vgg.fit_one_cycle(3, lr_max=1e-3)
learn_effnet.fit_one_cycle(3, lr_max=1e-3)

# 儲存 Stage 1 權重為 Stage 2 做準備
myModel = myPath + '/resnet34_stage-1'
learn_resnet.save(myModel)

三、Stage 2 核心策略：解凍與微調 (Unfreeze & Fine-tune)

Stage 1 提供了基本分類能力。為了讓模型能學習自然災害影像特有的高階特徵，我們必須進入更關鍵的 Stage 2。

1. 解凍與差分學習率 (Differential Learning Rates) 實作
   我將整個模型解凍，並實施差分學習率：對淺層使用極低學習率（保護通用特徵），對深層使用較高學習率（適應新領域）。

# 重新載入 Stage 1 權重並解凍模型
learn_resnet.load('resnet34_stage-1') 
learn_resnet.unfreeze()

# 使用差別學習率進行 6 個 Epoch 的微調
learn_resnet.fit_one_cycle(6, slice(1e-6, 1e-4)) 
# slice(1e-6, 1e-4) 是微調的精髓：淺層權重微調，深層權重調整幅度較大。

2. Stage 2 訓練結果監控
   ResNet34 在 Stage 2 微調過程中的性能變化：

觀察： 驗證集損失 (valid_loss) 顯著下降，準確度 (accuracy) 穩定在 95.79% 左右。這證明 Stage 2 微調策略成功讓模型找到了高泛化能力的權重。