ZML

@KaihuaTang 作者你好，我仔细看过BBN代码，他的代码并没有用预训练模型（至少cifar没有用），使用预训练模型一定程度是不公平的。其次并不能固定随机采样的种子，不同的采样方式得到的训练集，在验证集上的准确率差异至少有1.5个点（这个差异主要来自选择的小样本代表性及训练难度），多跑几次实验就发现，个人认为合理的实验方式是多次实验取平均值。

> 他default是load pretrained model 的 >  作者你好！你应该没有仔细看过BBN代码，可以看看对应yaml文件和default.py，以前的LDAM和effective sample均不会使用。

> > @KaihuaTang 作者你好，我仔细看过BBN代码，他的代码并没有用预训练模型（至少cifar没有用），使用预训练模型一定程度是不公平的。其次并不能固定随机采样的种子，不同的采样方式得到的训练集，在验证集上的准确率差异至少有1.5个点（这个差异主要来自选择的小样本代表性及训练难度），多跑几次实验就发现，个人认为合理的实验方式是多次实验取平均值。 > > 跑多次的问题，这个CIFAR实验最开始是rebuttal时候加上的。当时没来得及多跑，事后我测试了多次，基本结果稳定，增加幅度不大。 训练样本的选择必然会导致性能的差异。

作者你好，我还有个问题关于ImageNet-LT数据集，你的代码基于Decoupling这篇文章，为什么这个baseline就存在差异（原文是44.4%，你论文里是45.0%），是什么方法促使其涨点的？这个改进是不是你提出方法涨点的部分原因那？

> > @KaihuaTang 作者你好，我仔细看过BBN代码，他的代码并没有用预训练模型（至少cifar没有用），使用预训练模型一定程度是不公平的。其次并不能固定随机采样的种子，不同的采样方式得到的训练集，在验证集上的准确率差异至少有1.5个点（这个差异主要来自选择的小样本代表性及训练难度），多跑几次实验就发现，个人认为合理的实验方式是多次实验取平均值。 > > 仔细比较了BBN的config文件之后，我移除了预训练，并将scheduler和num_epoch等设定和BBN做了统一。结果确实略有下降，不过依然超过BBN等之前的方法，最新的结果表和相关代码已经更新，这次我实验跑了两次取了均值。我已在最新的文档中添加了对你的感谢，并会在论文最终版中采用这个更公平的结果。 谢谢作者，文章的思路想法还是挺好的。

Excuse me, I find the batch size during train stage has important effect on accuracy of final result. When I change batch size from 16 to 128, the baseline get...

There are many bugs in this projects! I'm wondering the author did not test the code when uploading it.