关于sample-level

[aaawrong]

学长您好，我想请问下代码中evaluate.py模块的sample-level片段，为什么不是mix/2 和 1 进行比较，而是直接mix 和 1去比较，没怎么理解，可以麻烦您解答一下下吗？

[frederickszk]

mix/2应该和0.5比较，因为预测是0~1之间的概率值嘛，所以这个概率大于0.5就认为是fake（1）。因此我这里只是等价写成mix和1比较而已hhh

[aaawrong]

看到学长的解释，我感觉我的问题很呆- -！谢谢学长，3q

[frederickszk]

不客气~有碰到其它问题欢迎随时留言:smile:

[aaawrong]

学长不好意思又打扰了。paper上的lr，epochs和代码中的不太一样，是您后期修改了嘛。还有f2f的百度云landmark提取码貌似不对

[frederickszk]

1. 是的，paper上提供的参数已经是差不多快两年前的版本了，现在库里的参数都是更新过后的。此外当时的实验都是用TensorFlow2.0做的，后面再这个库里更新成PyTorch版本了，两个环境下对网络的实现有出入，并且甚至不同版本的PyTorch训练效果都有出入，所以lr和epoch可以根据情况适当调整。

   对于paper中报告的性能相关的更多说明可以看https://github.com/frederickszk/LRNet/issues/15#issuecomment-1114013545 里边的Q3，简要来说paper中的FF++当时是只指代单一DF数据集的，所以性能都是在DF上的数据。不过最近正在陆续更新在FF++全集上训练的模型，所以对应的lr、epoch等也会有变。

2. F2F的链接我测试过了，提取码应该是对的，试试看手动输入提取码，然后注意不要有空格就行~

[aaawrong]

hh学长回答这么快速的嘛。谢谢！！！！！！！！！！！！！！！！！

那如果训练全部数据集，为啥要添加4次origin的数据集

[frederickszk]

为了平衡训练集中的真假样本比例，不然的话假样本会是真样本的4倍，对训练和性能有影响。（目前看到的绝大部分工作对FF++全集都是这样处理的） 当然在test/evaluate的时候我都只读入了一次origin的数据集，保证公平评估性能

[aaawrong]

我懂了，谢谢学长 : )