Google 对象检测 API：TotalLoss 波动
Google Object Detection API: Fluctuation in TotalLoss
我正在使用 Google 对象检测 API 和我自己的数据集。大多数情况下，在 50K 步之后，它开始以 60% 的准确度收敛。我认为它总体上工作正常。但是，当您查看 TotalLoss 图形或一般所有损失图形时，它会波动很大。它看起来像这样：
这可能是什么原因？是否正常？如果不是什么解释。
偶尔，我在示例图像中看到一些边界框在一个区域中翻了一番，这是为什么？
是的，损失的波动是非常正常的，特别是因为检测管道通常是用小批量训练的（在 Faster R-CNN 的情况下，批量大小为 1），所以您通常只会看到有意义的减少如果您对许多步骤进行平均，则会损失。
是的，正如@Jonathan 解释的那样，'wiggles' 通常在您的批量较小时观察到。不幸的是，在 Tensorflow API 上使用 Faster-RCNN 时，您将需要至少 16GB 的内存来处理超过 1 个的批次。除非你没有太多的处理能力，否则唯一的方法就是耐心等待，直到完成数千次迭代，在我的例子中，它超过了 100,000。
我正在使用 Google 对象检测 API 和我自己的数据集。大多数情况下，在 50K 步之后，它开始以 60% 的准确度收敛。我认为它总体上工作正常。但是，当您查看 TotalLoss 图形或一般所有损失图形时，它会波动很大。它看起来像这样：
这可能是什么原因？是否正常？如果不是什么解释。 偶尔，我在示例图像中看到一些边界框在一个区域中翻了一番，这是为什么？
是的，损失的波动是非常正常的，特别是因为检测管道通常是用小批量训练的（在 Faster R-CNN 的情况下，批量大小为 1），所以您通常只会看到有意义的减少如果您对许多步骤进行平均，则会损失。
是的，正如@Jonathan 解释的那样，'wiggles' 通常在您的批量较小时观察到。不幸的是，在 Tensorflow API 上使用 Faster-RCNN 时，您将需要至少 16GB 的内存来处理超过 1 个的批次。除非你没有太多的处理能力，否则唯一的方法就是耐心等待，直到完成数千次迭代，在我的例子中，它超过了 100,000。