Cccwd
Cccwd
> > > 你好， > > 不同分辨率是根据Multipose及RetinaNet两篇论文的设定。实际上可以是相同的。 > > loss部分我不太确定。可能较好的loss应该是0.00048左右？可以用[multipose_keypoint_val.py](https://github.com/LiMeng95/MultiPoseNet.pytorch/blob/master/evaluate/multipose_keypoint_val.py)文件测试一下我的baseline model下的loss。个人感觉需要训练更多的epoch。 明白了，那我之后尝试一下以480的分辨率输入训练detect部分，看看效果对比一下会如何。 keypoint subnet目前训练到54个epoch，按照ReduceLROnPlateau的规则，3次loss没改变lr就变为1/10，学习率已经变成1.e-11，我觉得应该没什么训练下去的必要了。
> > > 你好， > > 不同分辨率是根据Multipose及RetinaNet两篇论文的设定。实际上可以是相同的。 > > loss部分我不太确定。可能较好的loss应该是0.00048左右？可以用[multipose_keypoint_val.py](https://github.com/LiMeng95/MultiPoseNet.pytorch/blob/master/evaluate/multipose_keypoint_val.py)文件测试一下我的baseline model下的loss。个人感觉需要训练更多的epoch。 抱歉又来打扰你了，我用multipose_keypoint_val.py测了你提供的baseline我训练出来的模型，以下是对比信息。 ### baseline model Validation: epoch 0[200/204] heatmap_loss_k2: 0.0005163718 heatmap_loss_k3: 0.0005394759 heatmap_loss_k4: 0.0006861072 heatmap_loss_k5: 0.0009484939 **heatmap_loss: 0.0004858993** max_ht: 1.0583070641...
有办法自定义设置ReduceLROnPlateau的监测指标(heatmap_loss)吗？ 另外我想问max_ht、min_ht这两个是用来干什么的？看定义像是mask任务的东西，但是不太明白。
> > > ReduceLROnPlateau是用来检测loss变化的，具体设置见：[multipose_keypoint_train.py#L112](https://github.com/LiMeng95/MultiPoseNet.pytorch/blob/master/training/multipose_keypoint_train.py#L112)。 > > max_ht、min_ht仅用于观察生成heatmap的最大值最小值，与GT对比。不参与loss计算。 感谢，ReduceLROnPlateau好像只能默认检测网络最终的loss，并不能自己指定一个指标？
> > > 设置应该没有改变，建议重新训练一下或者调整一下参数 我检查了一下，可能我忘记设置Disable cudnn for batch_norm了，这个设置有关吗？ 现在换480*480输入，学习率5e-5(一开始写1e-5写错了)，decay rate=0.316，patience=2，进行学习。
> > > > > 设置应该没有改变，建议重新训练一下或者调整一下参数 > > > > > > 我检查了一下，可能我忘记设置Disable cudnn for batch_norm了，这个设置有关吗？ > > 现在换480*480输入，学习率1e-5，decay rate=0.316，patience=2，进行学习。 > > 期待分享训练结果!^&^,不过patience=2会不会太小了一点 因为我每次下降的系数是0.316，也就是说需要两次下降才等于原来的一次，这样我想学习率曲线会平滑一点。
> > > pytorch0.4版本是需要Disable cudnn for batch_norm的，1.0以后的版本不需要。 期待大牛的pytorch1.X版本~ 应该是修改一些工具调用方式的问题？
> > > > > > > 设置应该没有改变，建议重新训练一下或者调整一下参数 > > > > > > > > > > > > 我检查了一下，可能我忘记设置Disable cudnn for batch_norm了，这个设置有关吗？ > > > > 现在换480*480输入，学习率1e-5，decay rate=0.316，patience=2，进行学习。...
的确我考虑过比例的问题，以128x256作为输入训练出来的效果还没有192x192的好。我在想是不是裁出bbox训练出的模型对背景辨别低的问题，你了解过其他state of art 的方法数据处理是整张图训练还是裁剪过的吗？
loss 爆炸了，调低点学习率还有用gradient clip试试