DAMDNet
DAMDNet copied to clipboard
LeiJiangJNU
wing loss
由于缺乏真实3D数据，在利用3DMM回归时的GT一般都是是利用先前方法回归出的3D系数重建三维人脸得到的。因此这个GT具有很多噪声，是一种假的GT。这是一个病态问题，但是目前所有基于这样的文章都能得出较好的结果，因此一定程度上也可以接受。
非常感谢，由于我是初学者，我在学习尝试自己训练时出现 loss 是nan的情况，请问可以帮我看一下代码哪里出错了吗，谢谢！ ` def train(train_loader, model, criterion_wpdc, criterion_wing, optimizer_wpdc, optimizer_wing, epoch): batch_time = AverageMeter() data_time = AverageMeter() # 计算并存储平均值和当前值 losses = AverageMeter()
model.train()
end = time.time()
# loader is batch style
# for i, (input, target) in enumerate(train_loader):
# train_loader对应 输入图像input 以及 对应的62维ground truth target
for i, (input, target) in enumerate(train_loader):
target.requires_grad = False
target = target.cuda(non_blocking=True)
output = model(input)
data_time.update(time.time() - end)
#wpdc
loss_wpdc = criterion_wpdc(output, target)
optimizer_wpdc.zero_grad()
loss_wpdc.backward(retain_graph=True)
optimizer_wpdc.step()
#wing
loss_wing = criterion_wing(output, target)
optimizer_wing.zero_grad()
loss_wing.backward(retain_graph=True)
optimizer_wing.step()
losses = 0.5 * loss_wpdc + loss_wing
# measure elapsed time
batch_time.update(time.time() - end)
end = time.time()
# log
if i % args.print_freq == 0:
logging.info(f'Epoch: [{epoch}][{i}/{len(train_loader)}]\t'
f'LR: {lr:8f}\t'
f'Time {batch_time.val:.3f} ({batch_time.avg:.3f})\t'
# f'Data {data_time.val:.3f} ({data_time.avg:.3f})\t'
f'Loss {losses.data.cpu().numpy():.4f} ')
`
你好。一般loss出现Nan可能是在计算loss的时候分母出现了0。你这个代码看不出问题。建议你先判断wingloss和wpdcloss哪个loss出现问题。然后调试程序去看loss计算中哪一步运算出现了0的可能。
你好。一般loss出现Nan可能是在计算loss的时候分母出现了0。你这个代码看不出问题。建议你先判断wingloss和wpdcloss哪个loss出现问题。然后调试程序去看loss计算中哪一步运算出现了0的可能。
你这个代码还有个问题，一般只对最后的总loss进行反传播。不会一次训练传播两次loss。
非常感谢，请问您最终的loss大概在多少，我观察到初始的wingloss大约在30左右，而wpdcloss大约只有0.2，请问在您训练时也是这样的情况吗