hanweijing

@lbear 我想问一下，你完成一次完整的训练大概需要多长时间，有否遇到过负样本更新很慢的情况，你是怎么解决的？

paper里说16-core machine用了3天时间就训练了5000多个弱分类器，我表示很惊奇

能把每个stage的特征点打印出来吗，看是不是在逐步修正offset

And another wondering point: why last two field of fea[6] use two random landmark? It seems global learning under global shape constrain. I think this lost "local learning" meaning which...

I found some problem about "perform hard sample" and wonder whether the process is right. It needs your check. The neg sample which score is big than RandomForest_[0].rfs_[0][0] will keep...

还是中文表述吧，if (current_fi[n]=RandomForest_[s].rfs_[r][t].threshold) ，就被保存下来作为补充的负样本。也就是说当前已训练n个弱分类器，新增的随机样本被逐个检验，你在该样本第一次满足tmp_fi>=RandomForest_[s].rfs_[r][t].threshold时就终止并把它补充进来替换当前的负样本，而不是测试它是否能够全部通过n个弱分类器。不知道我说得对不对。

“你在该样本第一次满足tmp_fi>=RandomForest_[s].rfs_[r][t].threshold时就终止并把它补充进来替换当前的负样本，而不是测试它是否能够全部通过n个弱分类器” 这个是你代码的做法，我觉得应该是检测随机的这个样本是否能够通过全部n个弱分类器，把能通过的保留下来替换。

主要修改的是两个地方吧：（1）. if (tmp_fi

好的，我研究一下你说的另外一个bug。

补充负样本时的3层for循环(变量s,r,t控制的循环)似乎有点问题，是不是应该是先用(cur_stage-1)_num_landmarks_num_trees个tree先检测score是否通过（此处每次stage还需更新shape），然后再用(cur_landmark_id-1)*num_trees个tree检测score是否通过，最后用cur_tree_id个tree检验score是否通过？