大海

阅读源码时发现torchvision提供了许多边界框操作，包括

1. NMS
2. 移除小边界框
3. 修剪边界框坐标，保证边界框坐标位于图像内
4. 计算边界框面积
5. IoU计算

在线文档：torchvision.ops

源码地址：torchvision/ops/boxes.py

当前torchvision版本：0.6.0a0+82fd1c8

之前学习IoU的概念并且实现了预测框和对应真值边界框之间的计算 - [目标检测]IoU

不过预设的条件是每个真值边界框仅和单个预测边界框进行比对，参考box_utils.py计算每个真值边界框和每个预测边界框的IoU

之前在cs231n上学习了简单的几种初始化方法 - 权重初始化。最近阅读源码时发现了PyTorch实现的权重初始化

之前在[数据集][PASCAL VOC]07+12中需要额外下载、解压数据集才能进一步实现VOC 07+12的集合。今天发现了PyTorch的voc.py集成了2007测试集，同时可以结合ConcatDataset一起使用

相关实现：zjykzj/vocdev

4月份实现了YOLO_v1算法，学习新的模型ResNet/GoogLeNet/SqueezeNet/DenseNet/SSD，同时小结了评估标准，包括mAP/Flops/Params Size/FPS/Top-k accuracy

本周学习了如何寻找最优学习率/权重衰减，以及进行warmup+CosineAnnearling加速模型训练，同时加强了数据预处理，包括随机擦除/颜色抖动/Ten Crops测试等

本周继续SSD算法的学习和实现，同时开始新模型和训练方法的学习。本月期待完成新工作的寻找

论文A DISCIPLINED APPROACH TO NEURAL NETWORK HYPER-PARAMETERS: PART 1 – LEARNING RATE, BATCH SIZE, MOMENTUM, AND WEIGHT DECAY给出了关于学习率、批量大小、动量和权重衰减的训练方法。下面学习如何找到最优权重衰减值

如何寻找最优学习率?

根据准确度寻找最优学习率

论文Cyclical Learning Rates for Training Neural Networks提出了周期学习率调度方法，让学习率在合理的边界值之间循环变化（不再单调递减）

论文Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour使用warmup进行学习率的调整，能够帮助模型的训练

余弦退火（Cosine Annealing）方法来自于论文SGDR: STOCHASTIC GRADIENT DESCENT WITH WARM RESTARTS

定义

在分类任务中，通常使用交叉熵损失进行梯度训练。交叉熵损失的作用就是最大化正确标签的对数似然概率。其损失值计算如下：

\[ H(y, p) =-1\times \sum_{k=1}^{K} y_{k}log(p_{k}) \]

当\(y_{k}\)属于正确类时\(=1\)，否则\(=0\)。这会导致两个问题：

1. 它可能会导致过度拟合：如果模型学会为每个训练示例分配全部概率给真值标签，它就不能保证泛化效果
2. 它鼓励最大logit和所有其他logit之间的差异变大，这与有界梯度\(\frac {∂l}{∂z_{k}}\)相结合，降低了模型的迁移能力

标签平滑正则化的目的是防止最大逻辑变得比所有其他逻辑大得多。其实现方式：在交叉熵损失中加入一个独立于训练样本的基于标签的分布\(u(k)\)

\[ y(k) = (1 - \epsilon)δ_{k，y} + \epsilon u(k) \]

• \(k\)表示标签数
• \(\epsilon\)表示平滑参数
• $δ_{k，y} \(表示标签为\)y$的训练样本

从实现上看，LSR鼓励神经网络选择正确的类，并且正确类和其余错误类之间的差别是一致的。这样能够鼓励梯度向正确类靠近的同时远离错误类

在论文中将\(u(k)\)设置为均匀分布\(u(k) = 1/K\)，所以

\[ y(k) = (1 - \epsilon)δ_{k，y} + \frac {\epsilon}{K} \]

\(\epsilon可设置为0.1\)