复现不出来精度

前段时间L老师给我很多个人脸识别模型

最近终于有时间去分析下这几个模型

8月22 号的模型是使用的resnet64模型,但是看上去这是个用resnet64 拟合的模型。

这个resnet64 的结构跟sphereface 64 的结构是一样的。

去华为的时候,发现他们算1e-6 的时候,精度在80% 以上。

1e-8 的时候在56% 左右。

我今天下午算出来的结果是1e-6 是75%,但是这个模型比之前的模型好很多。 应该在85% 左右 只是猜测。不过可以找李刚确认下。

之前为什么在1e-6的时候,精度一直在10% 一下的原因,我这个比对的是人证,所以不需要对于取得的矩阵求下三角。--这个是马骁勇提醒我的。

 

为什么我总是复现不出来雷老师的结果那。

 

### BEVFusion复现精度足的问题解决方案 在面对BEVFusion模型复现过程中遇到的精度足问题,可以考虑以下几个方面来提升模型性能。 #### 模型配置优化 对于模型架构的选择和参数设置至关重要。确保所使用的网络结构与始论文中的描述一致是非常重要的。如果存在差异,则可能导致最终的结果理想。例如,在BEVFusion中涉及到多模态融合的方式以及同传感器数据之间的交互机制等都需要仔细核对并调整[^1]。 #### 参数调整策略 超参数调优是提高模型准确性可或缺的一环。这包括但限于学习率、批量大小(batch size)、迭代次数(epoch number),以及其他特定于算法本身的调节项。通过网格搜索(Grid Search)或随机搜索(Randomized Search)的方法寻找最优组合能够有效改善预测效果。另外,还可以尝试采用自适应方法如Adam优化器替代传统的SGD(Stochastic Gradient Descent)[^2]。 ```python optimizer = torch.optim.Adam(model.parameters(), lr=0.001, betas=(0.9, 0.999)) scheduler = StepLR(optimizer, step_size=7, gamma=0.1) ``` #### 数据预处理增强 高质量的数据集有助于训练更精确可靠的模型。针对BEVFusion项目而言,应当重视输入图像和其他感知源(LiDAR点云等)的质量控制;去除噪声干扰部分,并保持各类样本分布均衡。此外,适当增加数据量亦可促进泛化能力的发展。具体措施有: - 对图片做标准化(normalization)操作; - 应用几何变换(augmentation techniques like rotation, scaling); - 实施混合采样(mixup strategy). 以上手段均能同程度上缓解过拟合现象的发生几率,从而间接助力整体表现得分上升[^3].
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值