arcface-pytorch
arcface-pytorch copied to clipboard
ronghuaiyang
How can I use arcface for classification task?
我改了,怎么提示TypeError: forward() takes 2 positional arguments but 3 were given这个呢?
@LJXLJXLJX ，请问如果将这个损失用在分类任务中，在测试阶段，没有label标签，output = (one_hot * phi) + ((1.0 - one_hot) * cosine)，我是将phi送入softmax激活函数中，还是cosine送入softmax激活函数中，还是其他的？
@qiny1012 直接取cosine的最大值作为预测结果， cosine是测试样本的特征向量和类别特征向量的相似度，最像的就是预测结果。或者取训练集的特征向量中心作为类别特征向量也行吧。我在cifar10上精度89.8%，比正常交叉熵损失训练掉3个点吧。
我已经用这份代码做完了一个分类任务，没理解错的话ArcMarginProduct类本质上就是一个全连接层，就像原码里那样，将model的输出再送进metric_fc层就好了，做人脸的分类还是其他的分类都一样。
同学请问解决了吗 我跟你一样 无法收敛 valid-acc 只能达到90%，而我在softmax中能达到99%以上。 test-top1只有30-40% 而softmax中能达到90%以上
@qiny1012 直接取cosine的最大值作为预测结果， cosine是测试样本的特征向量和类别特征向量的相似度，最像的就是预测结果。或者取训练集的特征向量中心作为类别特征向量也行吧。我在cifar10上精度89.8%，比正常交叉熵损失训练掉3个点吧。
请问类别特征向量如何获取呢？
同学请问解决了吗 我跟你一样 无法收敛 valid-acc 只能达到90%，而我在softmax中能达到99%以上。 test-top1只有30-40% 而softmax中能达到90%以上
我在自己的数据上测试也遇到了同样的问题，测试准确率只能在40%左右，请问您解决这个问题了吗～
本人使用amsoftmax以及arcface的损失函数在分类任务上取得了高于softmax的分类效果（音频分类任务中）。分享给大家，希望有所帮助。
具体的做法：
# 在模型最后一层定义一个恒等变换，该层会将输入直接输出
class myNet(nn.Module):
def __init__(self):
super(myNet, self).__init__()
...
self.fc = nn.Identity()
def forward(self, x):
...
x = self.fc(x)
return x
## 训练过程中在网络后面加入损失函数
net = myNet()
loss_fn = AAMsoftmax(...)
outputs = net(src)
loss, pred = loss_fn(outputs,label)
##在测试过程中将损失函数的权重赋值到一个线性层中
net.fc = nn.Linear(...).cuda()
net.fc.weight.copy_(loss_fn.weight) ## amsoftmax和arcface中的权重w
output = net(src) ## 分类结果的输出
总结，amsoftmax和arcface想要进行分类任务，在测试或验证阶段将添加一个权重w相同的线性层即可。
本人使用amsoftmax以及arcface的损失函数在分类任务上取得了高于softmax的分类效果（音频分类任务中）。分享给大家，希望有所帮助。
具体的做法：
# 在模型最后一层定义一个恒等变换，该层会将输入直接输出 class myNet(nn.Module): def __init__(self): super(myNet, self).__init__() ... self.fc = nn.Identity() def forward(self, x): ... x = self.fc(x) return x ## 训练过程中在网络后面加入损失函数 net = myNet() loss_fn = AAMsoftmax(...) outputs = net(src) loss, pred = loss_fn(outputs,label) ##在测试过程中将损失函数的权重赋值到一个线性层中 net.fc = nn.Linear(...).cuda() net.fc.weight.copy_(loss_fn.weight) ## amsoftmax和arcface中的权重w output = net(src) ## 分类结果的输出总结，amsoftmax和arcface想要进行分类任务，在测试或验证阶段将添加一个权重w相同的线性层即可。
谢谢～请问您可以share这部分的代码嘛？
我的也是不收敛，用的是CeleBa数据集，1万个分类，请教大神们，你们训练大数据集的时候，m和s超参多少啊？代码默认是m=0.5和s=30，不过我看了原始论文，他推荐是m=1.35，大概是77度。另外，论文里没有推荐半径s的值。这2个超参大家在训练过程中，如何把握的呢？请教 ：https://github.com/piginzoo/arcface-pytorch.git
我修改了一下，目前已经收敛了， 用了resnet的avg层，减少了点参数；m=1.2，s=64；easy_margin = True(夹角超过180度，CosFace 代替 ArcFace)，训练大概10个小时，1万个分类，train acc接近到1。跟大家分享一下。代码：https://github.com/piginzoo/arcface-pytorch