MachineLP

> what the fold mean? https://github.com/MachineLP/PyTorch_image_classifier/blob/master/tools/data_preprocess.py

> Fri Dec 11 22:08:15 2020 Fold 2, Epoch 11, lr: 0.0000849, train loss: 0.03911, valid loss: 0.00720, acc: 47.3684, auc: 0.500000. > Fri Dec 11 22:08:15 2020 Fold 2,...

> @MachineLP 您好！有些问题想请教下您。 > > * 我使用了自己的数据集~3k张图片，但是acc和auc依然始终没有变化？请问是怎么回事呢？ >  > * 为什么在您的数据集中，训练集和测试集是一致的？我大概看了您的代码，是否逻辑是这样（假定当前循环fold==0）：此时fold!=0的图片会被当做训练集，其余的fold==0的被当做验证集和测试集？但是这样也使得验证集和测试集是一致的？是否不太好，按照6:2:2划分会更好些？ 这个比例可以根据自己的需求改一下。

> > > @MachineLP 您好！有些问题想请教下您。 > > > > > > * 我使用了自己的数据集~3k张图片，但是acc和auc依然始终没有变化？请问是怎么回事呢？ > > >  > > > * 为什么在您的数据集中，训练集和测试集是一致的？我大概看了您的代码，是否逻辑是这样（假定当前循环fold==0）：此时fold!=0的图片会被当做训练集，其余的fold==0的被当做验证集和测试集？但是这样也使得验证集和测试集是一致的？是否不太好，按照6:2:2划分会更好些？ > > > > > > 这个比例可以根据自己的需求改一下。 >...

不是的， 是为了看某个类别下的AUC。

> Hello, I now want to use resnest to train my own image data set. What I do is image classification, but how to convert my image file into data.csv,...

这个很难去枚举，你可以尝试一下，有些论文中也有介绍加了BN会导致效果变差。

还可以看一下这个解释：去除BN层已经被证明有助于增强性能和减少计算复杂度在不同的PSNR-oriented任务，包括SR和去模糊。BN层在训练期间使用批次的均值和方差对特征进行归一化，在测试期间使用整个训练数据集的估计均值和方差。当训练和测试数据集的统计数据差异很大时，BN层往往引入不适的伪影，限制了泛化能力。我们以经验观察到，BN层有可能当网络深和在GAN网络下训练时带来伪影。这些伪影偶尔出现在迭代和不同设置之间，违反了稳定性能超过训练的需求。因此，我们为了训练稳定和一致性去除了BN层。此外，去除BN层有助于提高泛化能力，减少计算复杂度和内存使用。

> 输入大小不同哈，C++的输入大