JinMana

> > > 直接对自己的数据集中boundingbox的宽和高进行聚类就可以了。聚类结果作为anchor，实验都结果是可以收敛的。 > > > > > > 我想请问一下如何聚类？ > > docs/文件夹下有聚类的ipy文件，可以直接用。也可以自己把训练集里所有的标注信息拿出来，然后算下所有框的宽和高。再对所有的宽和高就行kemeans，或者kmeanoid（好像写错了，MATLAB里有这个函数）聚类。聚类的结果就是anchor的宽和高。 您好，我也用docs下的ipy文件聚类，聚完都是小数，需要乘8，16，32吗？还是直接替换之前的anchor就可以？ [[0.10727216 0.17084635] [0.37248424 0.56598489] [0.93360097 0.29869933] [0.5118257 0.14704254] [0.20547924 0.4561619 ] [0.05752402 0.08767607] [0.6161872 0.7099246...

> 请问这是你训练过程的截图吗，为什么我的训练过程是一个进度条呢？而且一个EPOCH后test_loss为nan？ 有进度条，每次模型保存也会输出这个train loss 和 test loss

> > 请问，我训练的类别是3类，原数据量是1573，做了四个方向的数据增强后，数据量为六千多，但是训练到后面，train loss和test loss基本趋向于稳定，大概是12-15，有什么方法把loss下降，是数据量不够还是为什么？ > >  > > 可以尝试调参，或者数据再进行处理试试，我之前train loss大概降到3左右 验证loss5左右 然后就是降不下去了 目前来看没有更好的办法 谢谢答复。有一个问题是，用同一份数据，faster-rcnn的效果挺好，但是yolov3的效果却挺差的，感觉挺奇怪的，这主要是什么导致的？这两个网络是有差别，但是差别这么大就不太合理

> 这是densenet测试了十几万张图片之后报的错 > 2019-01-23 19:51:42.943120: F tensorflow/stream_executor/cuda/cuda_dnn.cc:542] Check failed: cudnnSetTensorNdDescriptor(handle_.get(), elem_type, nd, dims.data(), strides.data()) == CUDNN_STATUS_SUCCESS (3 vs. 0)batch_descriptor: {count: 1 feature_map_count: 128 spatial: 4 0 value_min: 0.000000 value_max: 0.000000...

> 像百度OCR识别身份证，他的坐标定位能把字段和值分开，我们这个能做到吗，有什么改进思路 请问你实现了吗？用作者的权重，对字段识别效果挺差，对值的识别效果挺好。我重新训练了一版文字检测，只检测值的位置，发现检测的效果比较差