训练优化：降低loss

 

概念：

通常机器学习每一个算法中都会有一个目标函数，算法的求解过程是通过对这个目标函数优化的过程。在分类或者回归问题中，通常使用损失函数（代价函数）作为其目标函数。损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。

refer:https://blog.csdn.net/weixin_37933986/article/details/68488339

________________________________________________________________________________________________

以下的结果是针对模型（faster_rcnn_inception_resnet_v2_atrous_coco）训练多个分类且不同分类的样本集不均匀的实践

 

让loss快速下降方式

训练集：

Config设置：

a、采用dropout

use_dropout: true #false
dropout_keep_probability: 0.6

b、多阶段学习率，开始设置很高且尽量让其迭代到loss足够的低

initial_learning_rate: 0.003 
          schedule {
            step: 0
            learning_rate: .003 
          }
          schedule {
            step: 30000 
            learning_rate: .0003 
          }
          schedule {
            step: 45000 
            learning_rate: .00003 
          }
......

c、为了发现更多的box，对IOC阈值进行调整（与loss没什么关系）

first_stage_nms_iou_threshold: 0.4
second_stage_post_processing {
      batch_non_max_suppression {
        score_threshold: 0.0
        iou_threshold: 0.5 
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SOFTMAX
    }

效果：