Contrastive-Clustering
Contrastive-Clustering copied to clipboard
Yunfan-Li
Test metrics don't match
你好，感谢你的工作和分享的代码。我用刚刚下载的最新版本的code跑cluster.py
把start_epoch改成1000来读取save文件夹里训练好的模型，然后把image_size改成32跑Cifar-10，得出的结果如下：
Step [0/120] Computing features... Step [20/120] Computing features... Step [40/120] Computing features... Step [60/120] Computing features... Step [80/120] Computing features... Step [100/120] Computing features... Features shape (60000,) 'NMI = 0.0201 ARI = 0.0099 F = 0.2395 ACC = 0.1421'
其他的没有任何改动，请问如何解决？
您好，image_size改动为32的话需要调整backbone的结构，默认的ResNet18/34接受的是224*224的图片，具体改动可以参照SCAN (https://github.com/wvangansbeke/Unsupervised-Classification/blob/master/models/resnet_cifar.py) 相应的您也需要重新训练网络。
您好，image_size改动为32的话需要调整backbone的结构，默认的ResNet18/34接受的是224*224的图片，具体改动可以参照SCAN (https://github.com/wvangansbeke/Unsupervised-Classification/blob/master/models/resnet_cifar.py) 相应的您也需要重新训练网络。
感谢你的回复。
我调整了resnet的第一层conv1的kernel_size=3并且设置image_size=32(普遍的resnet_cifar10的设置)跑了1000个epoch，结果是：
NMI ACC ARI F 0.570381 0.611817 0.429496 0.486613
我记得当时用32x32的效果比224x224的还要稍好一些，试试参照SCAN设置优化器学习率呢？
感谢你的耐心回复，我已经复现相似的结果了！
我还有两个问题：
-
作者有比较过不同的batch_size对结果的影响吗，因为做column contrast的时候，cluster representation的维度是batch_size决定的，不像row contrast维度是由network的最后一次决定的。
-
请问一下table 4，ICH Only是指用SimCLR pretrain整个模型，然后对所有的点计算z，然后对所有的z一次性做offline K-means吗？
1.不同batch size会有影响，不过我都用的256、512之类的，没测试过特别的情况，而且也没有针对性地调过学习率，所以没法给出具体的结论； 2.是的。
1.不同batch size会有影响，不过我都用的256、512之类的，没测试过特别的情况，而且也没有针对性地调过学习率，所以没法给出具体的结论； 2.是的。
好的我自己跑跑看。然后我看其他问题里有提过multi-gpu的运算问题，要相应的修改contrastive loss对吧？
我记得当使用32x32的效果比224x224的还要好一些，试试看SCAN设置优化器学习率呢？
感谢你的耐心回复，我已经回复了现在似的结果了！
我还有两个问题：
- 作者有比较不同的batch_size对结果的影响吗，因为做column contrast的时候，cluster representation的维数是batch_size决定的，不像row contrast维数是由网络的最后一次决定的。
- 请问一下table 4，ICH Only是指用SimCLR pretrain整个模型，然后对所有的点计算z，然后对所有的z一次性做offline K-means吗？
您好，请问您训练32*32是修改了哪些地方，参数设置怎么修改？可否分享一下，非常感谢！！！
我目前设置lr=0.001，image_size=32，没有修改Resnet18的架构，结果是
