kongjibai
kongjibai
> For future users with this issue, I resolved it with: > > ```shell > kubectl delete validatingwebhookconfigurations volcano-admission-service-pods-validate volcano-admission-service-jobs-validate volcano-admission-service-queues-validate > kubectl delete mutatingwebhookconfigurations volcano-admission-service-podgroups-mutate volcano-admission-service-jobs-mutate volcano-admission-service-pods-mutate volcano-admission-service-queues-mutate >...
ShanghaiTech数据集的人头坐标是整数的，其他数据集不太清楚
确实是tensorflow版本的问题，谢谢啦！
> > 确实是tensorflow版本的问题，谢谢啦！ > > 你是哪个版本的？ 1.0.0
非常感谢您的指教！不过还是有几点不明之处： 1）问题1中，您使用sigmoid(relu(x))虽然可以加速模型收敛，将输出密度限制在(0,1)，但是原作中使用的是tanh(x)，其范围在(-1,1)，这会不会影响最终的人群计数结果？ 2）关于问题2，我后来仔细看了下，您做的没错，skip connections需要前后的shape是相同的，而e1和d8的shape并不相同； 3）问题5中提到的，我完全使用您的代码和数据重新训练的模型，生成的密度图会有竖条纹，不知您是否遇到过？或者在训练过程中有什么参数需要调整，有哪些训练的技巧？ 4）在训练过程中，large生成器的前3个deConv中使用了dropout，在测试或实际使用中（product部分）不应该使用dropout了吧？否则会导致这些层某些单元随机失活，导致计算结果不稳定。 5）在使用large判别器计算对抗损失时，您的输入数据是self.d_l_x、self.d_l_x_，但是在self.discriminator_large()中他们却不是经过tanh()的那个，却经过了一个随机线性变换，我不太明白您这样做的目的是什么？另外，这样会不会对最后的损失函数有影响？
非常感谢您的解答，受益匪浅！ 问下您有没有验证过测试集中其他图像的准确度？ 比如，我用您的模型，data\data_im\test_im\IMG_1_B.jpg，出来的结果是400+，实际只有23，相差巨大。我看了下密度图，发现下边是地板的部分高亮，很不可思议！