Eve-Wang

是的 我也有这个疑问 同一个batch里不应该使用相同的文本标签或者图片 不知道作者的代码里是否对有数据集做处理保证同一个batch的标签跟图片都唯一

@yangapku ，同时想问下作者是否可以提供一下训练ViT-H/14的超参设置，我尝试用ViT-H/14基于Flickr30K-CN数据集优化，但训练了近10个epoch后loss和accuracy都几乎没有提升