Detectron: Saída do treinamento
{"accuracy_cls": 0,923639,
"eta": "1 dia, 13:30:44",
"iter": 120000,
"perda": 0,562384,
"loss_bbox": 0,107754,
"loss_cls": 0,243266,
"loss_rpn_bbox": 0,085141,
"loss_rpn_cls": 0,100456,
"lr": 0,010000,
"mb_qsize": 64,
"mem": 6407,
"hora": 0,562685}
Q1：qual o significado de “accuracy_cls”，“mb_qsize”，mem“”？
Q2："loss_bbox": 0,107754 + "loss_cls": 0,243266 + "loss_cls": 0,243266 + "loss_rpn_bbox": 0,085141 + "loss_rpn_cls": 0,100456 = 0,5365617, não é igual a "loss": 0,5365628?
fangpengcheng95
Todos 4 comentários
accuracy_cls é a precisão da classificação nos mini-lotes de RoI vistos no treinamento. Observe que eles são balanceados 1:3 foreground:background por padrão, portanto, se uma rede estiver apenas adivinhando o plano de fundo, sua precisão será de 75% (o que não significa que seja bom).
mb_qsize é o tamanho da fila de saída do carregador de dados. Isso deve estar perto de 64 (completo) na maioria das vezes. Se cair para 0, as GPUs ficarão paradas aguardando dados.
mem é a quantidade máxima de memória da GPU em uma única GPU usada pelo caffe2 (observe que isso não reflete algum uso de memória da GPU fora do que o caffe2 pode rastrear, por exemplo, caches cudnn, etc.).
A soma das perdas não é igual à perda total porque cada valor registrado é filtrado separadamente para suavizar os valores de saída exibidos.
rbgirshick
em 8 mar. 2018
Isso é ótimo!
fangpengcheng95
em 9 mar. 2018
Alguma explicação, ou é normal que cresça tão rápido?
json_stats: {"accuracy_cls": 0.351562, "eta": "121 dias, 0:34:07", "iter": 0, "loss": 6.128010, "loss_bbox": 0.007976, "loss_cls": 3.535384, "loss_rpn_bbox_fpn2 ": 0.000000 " loss_rpn_bbox_fpn3": 0.000000 " loss_rpn_bbox_fpn4": 0.000000 " loss_rpn_bbox_fpn5": 0,063088, "loss_rpn_bbox_fpn6": 0.000000 " loss_rpn_cls_fpn2": 2,373329, "loss_rpn_cls_fpn3": 0,110721, "loss_rpn_cls_fpn4": 0,032310, "loss_rpn_cls_fpn5": 0,005202, "loss_rpn_cls_fpn6": 0,000000, "lr": 0,000333, "mb_qsize": 64, "mem": 2965, "tempo": 174,274131}
I0409 23:48:21.545917 14708 context_gpu.cu:305] GPU 0: 3037 MB
I0409 23:48:21.586969 14708 context_gpu.cu:309] Total: 3037 MB
I0409 23:48:23.049207 14711 context_gpu.cu:305] GPU 0: 3169 MB
I0409 23:48:23.049262 14711 context_gpu.cu:309] Total: 3169 MB
json_stats: {"accuracy_cls": 0,972342, "eta": "7 dias, 4:53:41", "iter": 20, "loss": 16,139348, "loss_bbox": 0,666931, "loss_cls": 11,527749, "loss_rpn_bbox_fpn2 ": 0.000000 " loss_rpn_bbox_fpn3": 0.000000 " loss_rpn_bbox_fpn4": 0.000000 " loss_rpn_bbox_fpn5": 0,074818, "loss_rpn_bbox_fpn6": 0.000000 " loss_rpn_cls_fpn2": 0.000000 " loss_rpn_cls_fpn3": 0.000000 " loss_rpn_cls_fpn4": 0.000000 " loss_rpn_cls_fpn5": 0,052323, "loss_rpn_cls_fpn6": 0,000000, "lr": 0,000360, "mb_qsize": 64, "mem": 3254, "tempo": 10,377150}`
RafaRuiz
em 10 abr. 2018
@RafaRuiz Também estou obtendo os mesmos resultados ...
Você descobriu por que cresce tão rápido?
progvasu
em 15 out. 2019
Questões relacionadas
Adhders
·
3Comentários
netw0rkf10w
·
4Comentários
twmht
·
3Comentários
partnercloudsupport
·
3Comentários
pacelu
·
3Comentários
Comentários muito úteis
accuracy_clsé a precisão da classificação nos mini-lotes de RoI vistos no treinamento. Observe que eles são balanceados 1:3 foreground:background por padrão, portanto, se uma rede estiver apenas adivinhando o plano de fundo, sua precisão será de 75% (o que não significa que seja bom).mb_qsizeé o tamanho da fila de saída do carregador de dados. Isso deve estar perto de 64 (completo) na maioria das vezes. Se cair para 0, as GPUs ficarão paradas aguardando dados.memé a quantidade máxima de memória da GPU em uma única GPU usada pelo caffe2 (observe que isso não reflete algum uso de memória da GPU fora do que o caffe2 pode rastrear, por exemplo, caches cudnn, etc.).A soma das perdas não é igual à perda total porque cada valor registrado é filtrado separadamente para suavizar os valores de saída exibidos.