SAFMN
SAFMN copied to clipboard
sunny2109
消融实验
您好，我想请教一些问题： 1、消融实验中SAFM模块是怎么验证的？ 去掉的意思是完全不用这个模块还是 换成别的模块替代呢 2、您的特征图可视化是怎么做的呢？ 非常希望您能解答我的疑惑，谢谢！
A ->None是完全不用A模块；A->B是指A用B替换 特征图可视化的伪代码如下:
feat = model(input)
feat = feat.squeeze().cpu().numpy()
feat = np.mean(feat, axis=0)
plt.figure()
plt.imshow(feat)
plt.savefig('./save_path/feat.png')
希望可以解答您的疑问。
A ->None是完全不用A模块；A->B是指A用B替换 特征图可视化的伪代码如下:
feat = model(input) feat = feat.squeeze().cpu().numpy() feat = np.mean(feat, axis=0) plt.figure() plt.imshow(feat) plt.savefig('./save_path/feat.png')希望可以解答您的疑问。
打扰了，我试了您的特征图可视化方法， 但为什么每次可视化的特征图都不一样呢？我是直接把图片输入模型然后可视化，是不是我这操作错误了？
大佬，你好。请问下，我安照你的实验设置，并没有达到论文中的数值，有可能是显卡的问题嘛？ 还有一个问题是:“F表示快速傅里叶变换，λ是一个权值参数，根据经验设置为0.05” 经验设置是实验出来的嘛？在你的 ShuffleMixer 论文中，λ=0.1
结果差很多吗？我之前让我师弟复现过，基本跟论文的一致。论文里的结果是用best_model测的不是latest_model。
FFT loss的权重是试验后设置的。
大佬，小白再问一个问题，网络结构没变，训练的参数完全一致，随机种子也固定，为什么每次训练后的结果还是会有差别呢？还是这是正常现象呢？
这是正常的，主要是由于网络模型的权重和偏置是随机初始化的，随机种子只是决定了参数初始化的分布，这样每一次采样到的初始权重参数是不一样的，就会导致结果有些差别，但最终都会收敛到一个合理的范围内。
大佬，小白再问一个问题，网络结构没变，训练的参数完全一致，随机种子也固定，为什么每次训练后的结果还是会有差别呢？还是这是正常现象呢？
这是正常的，主要是由于网络模型的权重和偏置是随机初始化的，随机种子只是决定了参数初始化的分布，这样每一次采样到的初始权重参数是不一样的，就会导致结果有些差别，但最终都会收敛到一个合理的范围内。
佬，我又冒出一个问题，既然训练不稳定， 那么消融实验怎么做呢？
大佬，小白再问一个问题，网络结构没变，训练的参数完全一致，随机种子也固定，为什么每次训练后的结果还是会有差别呢？还是这是正常现象呢？
这是正常的，主要是由于网络模型的权重和偏置是随机初始化的，随机种子只是决定了参数初始化的分布，这样每一次采样到的初始权重参数是不一样的，就会导致结果有些差别，但最终都会收敛到一个合理的范围内。
佬，我又冒出一个问题，既然训练不稳定， 那么消融实验怎么做呢？
同样的setting下，最终的结果是非常接近的，不会有多大的误差。
大佬，小白再问一个问题，网络结构没变，训练的参数完全一致，随机种子也固定，为什么每次训练后的结果还是会有差别呢？还是这是正常现象呢？
这是正常的，主要是由于网络模型的权重和偏置是随机初始化的，随机种子只是决定了参数初始化的分布，这样每一次采样到的初始权重参数是不一样的，就会导致结果有些差别，但最终都会收敛到一个合理的范围内。
佬，我又冒出一个问题，既然训练不稳定， 那么消融实验怎么做呢？
同样的setting下，最终的结果是非常接近的，不会有多大的误差。
orz ！！
大佬，小白再问一个问题，网络结构没变，训练的参数完全一致，随机种子也固定，为什么每次训练后的结果还是会有差别呢？还是这是正常现象呢？
这是正常的，主要是由于网络模型的权重和偏置是随机初始化的，随机种子只是决定了参数初始化的分布，这样每一次采样到的初始权重参数是不一样的，就会导致结果有些差别，但最终都会收敛到一个合理的范围内。
佬，我又冒出一个问题，既然训练不稳定， 那么消融实验怎么做呢？
同样的setting下，最终的结果是非常接近的，不会有多大的误差。
orz ！！
你可以看看这篇论文 ，他探讨了神经网络训练过程中重复运行间差异的问题。
不好意思，再次打扰一下您。因为我自己找了好久确实找不到原因，想再请教一下您。就是之前您教我显示特征图那一段代码。我尝试了您的SAFMN，以及别的RFDN、FMEN等网络都能正常显示图特征图像。但是也有另外一些网络比如BSRN、RLFN这些网络，我用同样的方式和代码（全都加载了预训练模型），显示的特征图却是马赛克，但这些网络的PSNR和SSIM都是比较高的。难道代码是要根据什么进行修改才能适应吗？ if name== 'main': image_path = './img_003_SRF_4_LR.png' source_image = io.imread(image_path) source_image = np.expand_dims(source_image.transpose((2, 0, 1)), 0) input = torch.Tensor(source_image)
model = RLFN()
model_path = './rlfn.pth'
model.load_state_dict(torch.load(model_path)['params'], strict=True)
with torch.no_grad():
feat = model(input)
feat = feat.squeeze().cpu().numpy()
feat = np.mean(feat, axis=0)
plt.figure()
plt.imshow(feat)
plt.savefig('./RLFN.png')
不好意思，再次打扰一下您。因为我自己找了好久确实找不到原因，想再请教一下您。就是之前您教我显示特征图那一段代码。我尝试了您的SAFMN，以及别的RFDN、FMEN等网络都能正常显示图特征图像。但是也有另外一些网络比如BSRN、RLFN这些网络，我用同样的方式和代码（全都加载了预训练模型），显示的特征图却是马赛克，但这些网络的PSNR和SSIM都是比较高的。难道代码是要根据什么进行修改才能适应吗？ if name== 'main': image_path = './img_003_SRF_4_LR.png' source_image = io.imread(image_path) source_image = np.expand_dims(source_image.transpose((2, 0, 1)), 0) input = torch.Tensor(source_image)
model = RLFN() model_path = './rlfn.pth' model.load_state_dict(torch.load(model_path)['params'], strict=True) with torch.no_grad(): feat = model(input) feat = feat.squeeze().cpu().numpy() feat = np.mean(feat, axis=0) plt.figure() plt.imshow(feat) plt.savefig('./RLFN.png')
你看看这些模型的输入数据范围是不是[0,1]，这种可视化方式跟模型无关的。
不好意思，再次打扰一下您。因为我自己找了好久确实找不到原因，想再请教一下您。就是之前您教我显示特征图那一段代码。我尝试了您的SAFMN，以及别的RFDN、FMEN等网络都能正常显示图特征图像。但是也有另外一些网络比如BSRN、RLFN这些网络，我用同样的方式和代码（全都加载了预训练模型），显示的特征图却是马赛克，但这些网络的PSNR和SSIM都是比较高的。难道代码是要根据什么进行修改才能适应吗？ if name== 'main': image_path = './img_003_SRF_4_LR.png' source_image = io.imread(image_path) source_image = np.expand_dims(source_image.transpose((2, 0, 1)), 0) input = torch.Tensor(source_image)
model = RLFN() model_path = './rlfn.pth' model.load_state_dict(torch.load(model_path)['params'], strict=True) with torch.no_grad(): feat = model(input) feat = feat.squeeze().cpu().numpy() feat = np.mean(feat, axis=0) plt.figure() plt.imshow(feat) plt.savefig('./RLFN.png')
有的模型训练是在0-255下训练的，你输入的时候也要保持一致。
