训练出的模型的效果如何？

[ZHAIXINGZHAIYUE]

作者您好，请问训练出的模型的效果如何？和mxnet的代码相比，模型精度有损失吗？

[xialuxi]

精度没有损失，效果取决于你所用的数据，以及训练技巧，我自己训练的模型在特定场景下优于mxnet开源的模型。

[ZHAIXINGZHAIYUE]

谢谢，我打算用您的代码去复现一下insightface的实验。

[xuguozhi]

这个版本的 insightface r100 LFW上面多少？

[ZHAIXINGZHAIYUE]

您好,训练过程中为什么会出现cos_theta大于1的情况啊?

[xialuxi]

1、你的学习率太大，导致梯度爆炸，请降低你的学习率。
2、训练数据较难以收敛的，请先训练普通softmax作为预训练模型。

[shiyuanyin]

@xialuxi 您好作者，请问一下模型的主干网络是什么昵？

[xialuxi]

开源的这些网络模型都可以用，只是换下损失函数就行了。

[shiyuanyin]

@xialuxi
您好，作者，请问用MS-Celeb-1M,训练的时候出现，cos_theta>1,是不是应该进行，soft_max 先训练，然后加入arcface的损失曾再进行finetune ，训练过程类似于github上，mxnet训练步骤,那样？？？
然后最后一层的全连接fc6 的l2， normalize：true 的作用是将w的模进行归一化操作吗？

[shiyuanyin]

@xialuxi
谢谢您的及时回复，

[shiyuanyin]

@ZHAIXINGZHAIYUE
您好，请问您出现这个问题解决了吗，我用了softmax 预训练模型，作为权重model,,然后加入arcface损失层，还是出现这个问题，基础学习率降到0.001，还是出现cos_theta >1

[shiyuanyin]

@xialuxi
作者，您好，
添加损失函数的使用时候， focallosss，我换成了 soft max损失，请问有影响吗？ 训练过程中损失值震荡的下降并且伴随 cos _theta >1 ...... 1.50123 cos _theta >1 ...... 4.09701 cos _theta >1 ...... 5.7246 输出？

[xialuxi]

不需要focallosss，就用softmaxwithloss就行了，一旦出现cos _theta >1 ，表明训练失败了。
你可以把你的学习率贴出来看下。

[shiyuanyin]

不需要focallosss，就用softmaxwithloss就行了，一旦出现cos _theta >1 ，表明训练失败了。
你可以把你的学习率贴出来看下。
您好作者，我的caffe里面自带的normalize.cpp，我对比了下，和模型中用到的不一样，把normalize，的实现换掉，之后再训练就是下面这种收敛状态（数据量较少5万，分类输出241，进行实验看看）
没有修改，normalize，出现最下面的输出状态

Iteration 120200, loss = 0.0135795
I1207 09:11:43.073189 39485 solver.cpp:259] Train net output #0: accuracy = 1
I1207 09:11:43.073204 39485 solver.cpp:259] Train net output #1: accuracy-t = 1
I1207 09:11:43.073215 39485 solver.cpp:259] Train net output #2: softmax_loss = 0.0135796 (* 1 = 0.0135796 loss)
I1207 09:11:43.073226 39485 sgd_solver.cpp:138] Iteration 120200, lr = 0.001
I1207 09:12:04.167598 39485 solver.cpp:358] Iteration 120250, Testing net (#0)
I1207 09:12:04.168140 39485 net.cpp:713] Ignoring source layer fc6_fc6_l2_0_split
I1207 09:12:04.168164 39485 net.cpp:713] Ignoring source layer fc6_margin_scale_fc6_margin_scale_0_split
I1207 09:12:04.168169 39485 net.cpp:713] Ignoring source layer accuracy-t
I1207 09:12:04.168174 39485 net.cpp:713] Ignoring source layer accuracy
I1207 09:12:27.587586 39485 solver.cpp:425] Test net output #0: softmax_loss = 19.0434 (* 1 = 19.0434 loss)
I1207 09:12:49.055404 39485 solver.cpp:243] Iteration 120300, loss = 0.0020926
I1207 09:12:49.055451 39485 solver.cpp:259] Train net output #0: accuracy = 1
I1207 09:12:49.055461 39485 solver.cpp:259] Train net output #1: accuracy-t = 1
I1207 09:12:49.055481 39485 solver.cpp:259] Train net output #2: softmax_loss = 0.00209277 (* 1 = 0.00209277 loss)
I1207 09:12:49.055502 39485 sgd_solver.cpp:138] Iteration 120300, lr = 0.001
I1207 09:13:32.064842 39485 solver.cpp:243] Iteration 120400, loss = 0.00121898
I1207 09:13:32.065098 39485 solver.cpp:259] Train net output #0: accuracy = 1
I1207 09:13:32.065114 39485 solver.cpp:259] Train net output #1: accuracy-t = 1
I1207 09:13:32.065126 39485 solver.cpp:259] Train net output #2: softmax_loss = 0.00121913 (* 1 = 0.00121913 loss)
I1207 09:13:32.065137 39485 sgd_solver.cpp:138] Iteration 120400, lr = 0.001
I1207 09:14:15.054962 39485 solver.cpp:243] Iteration 120500, loss = 0.284675
I1207 09:14:15.055132 39485 solver.cpp:259] Train net output #0: accuracy = 0.984375
I1207 09:14:15.055146 39485 solver.cpp:259] Train net output #1: accuracy-t = 1
I1207 09:14:15.055158 39485 solver.cpp:259] Train net output #2: softmax_loss = 0.284675 (* 1 = 0.284675 loss)
I1207 09:14:15.055166 39485 sgd_solver.cpp:138] Iteration 120500, lr = 0.001
I1207 09:14:58.101903 39485 solver.cpp:243] Iteration 120600, loss = 0.000106618
I1207 09:14:58.102113 39485 solver.cpp:259] Train net output #0: accuracy = 1
I1207 09:14:58.102126 39485 solver.cpp:259] Train net output #1: accuracy-t = 1
I1207 09:14:58.102138 39485 solver.cpp:259] Train net output #2: softmax_loss = 0.0001068 (* 1 = 0.0001068 loss)

没有修改正则化
I1207 09:22:27.955615 48074 solver.cpp:243] Iteration 0, loss = 46.6276
I1207 09:22:27.955641 48074 solver.cpp:259] Train net output #0: accuracy = 0
I1207 09:22:27.955648 48074 solver.cpp:259] Train net output #1: accuracy-t = 0
I1207 09:22:27.955668 48074 solver.cpp:259] Train net output #2: softmax_loss = 46.6276 (* 1 = 46.6276 loss)
I1207 09:22:27.955688 48074 sgd_solver.cpp:138] Iteration 0, lr = 0.01
I1207 09:23:08.346362 48074 solver.cpp:243] Iteration 100, loss = 36.1687
I1207 09:23:08.346518 48074 solver.cpp:259] Train net output #0: accuracy = 0
I1207 09:23:08.346529 48074 solver.cpp:259] Train net output #1: accuracy-t = 0
I1207 09:23:08.346537 48074 solver.cpp:259] Train net output #2: softmax_loss = 36.1687 (* 1 = 36.1687 loss)
I1207 09:23:08.346546 48074 sgd_solver.cpp:138] Iteration 100, lr = 0.01
I1207 09:23:51.725335 48074 solver.cpp:243] Iteration 200, loss = 34.4766
I1207 09:23:51.725507 48074 solver.cpp:259] Train net output #0: accuracy = 0
I1207 09:23:51.725520 48074 solver.cpp:259] Train net output #1: accuracy-t = 0.28125
I1207 09:23:51.725529 48074 solver.cpp:259] Train net output #2: softmax_loss = 34.4766 (* 1 = 34.4766 loss)
I1207 09:23:51.725538 48074 sgd_solver.cpp:138] Iteration 200, lr = 0.01
I1207 09:24:35.116875 48074 solver.cpp:243] Iteration 300, loss = 34.9371
I1207 09:24:35.117105 48074 solver.cpp:259] Train net output #0: accuracy = 0
I1207 09:24:35.117120 48074 solver.cpp:259] Train net output #1: accuracy-t = 0.328125
I1207 09:24:35.117130 48074 solver.cpp:259] Train net output #2: softmax_loss = 34.9371 (* 1 = 34.9371 loss)
I1207 09:24:35.117137 48074 sgd_solver.cpp:138] Iteration 300, lr = 0.01
I1207 09:24:58.669173 48074 cosin_add_m_layer.cpp:52] cos_theta > 1 ****** 1.03431
I1207 09:24:59.103677 48074 cosin_add_m_layer.cpp:52] cos_theta > 1 ****** 1.25812
I1207 09:24:59.536674 48074 cosin_add_m_layer.cpp:52] cos_theta > 1 ****** 1.14654
I1207 09:24:59.536708 48074 cosin_add_m_layer.cpp:52] cos_theta > 1 ****** 1.13745
I1207 09:24:59.536715 48074 cosin_add_m_layer.cpp:52] cos_theta > 1 ****** 1.14452
I1207 09:24:59.536717 48074 cosin_add_m_layer.cpp:52] cos_theta > 1 ****** 1.10017

[xialuxi]

在分类的fc7层， 做了一次normalize，再输入到cos_add_m层的，而cos_theta的值就是fc7的normalize输出，如果cos_theta不是在【0,1】之间，证明训练出问题了。建议学习率从0.001开始。

[shiyuanyin]

在分类的fc7层， 做了一次normalize，再输入到cos_add_m层的，而cos_theta的值就是fc7的normalize输出，如果cos_theta不是在【0,1】之间，证明训练出问题了。建议学习率从0.001开始。

谢谢 xialuxi，我试着从，0.001进行训练，特别感谢您的回复。。。

[shiyuanyin]

在分类的fc7层， 做了一次normalize，再输入到cos_add_m层的，而cos_theta的值就是fc7的normalize输出，如果cos_theta不是在【0,1】之间，证明训练出问题了。建议学习率从0.001开始。

作者您好，
我这边用的是vgg face2的训练集和 8631个身份类别进行训练，收敛的比较慢，而且在一个损失值24，左右一直震荡不再下降了（震荡了5000步停下来的），降低学习率没什么作用。 之前用同样的数据的几万张进行训练，能让损失值下降到很小0.0001，请问这个状态非正常吗？

[xialuxi]

1、caffe这样去训练的确会出现收敛困难，具体原因还未查清楚。
2、可以提供一个可以收敛解决方法，调节m的值，从0.1到0.5一步一步的训练，是可以收敛的。
3、增大iter_size的值，间接增大batch size。

[shiyuanyin]

1、caffe这样去训练的确会出现收敛困难，具体原因还未查清楚。
2、可以提供一个可以收敛解决方法，调节m的值，从0.1到0.5一步一步的训练，是可以收敛的。
3、增大iter_size的值，间接增大batch size。

谢谢您的回复，请问您说的m 从0.1，到0.5，训练，是在0.1时候都训练完，所有步数，然后修改成0.2，进行finetune，然后修改继续finetune, 还是在训练的时候，从0.1开始，到一个地方震荡长时间不下降，时候，增加m,进行finetune

[xialuxi]

训练完再微调，可以先训练softmax的作为预训练模型。

[shiyuanyin]

训练完再微调，可以先训练softmax的作为预训练模型。
嗯，
我是把两个归一化去掉训练的 softmax

[zhangxiaopang88]

您好，请问您的normalize层用的不是am-softmax @shiyuanyin caffe带的normalize层吗，我的情况跟您一样，，，我对比了其他caffe里的normalize层确实不一样，不知道我应该用哪一个normalize层，您能给个参考吗。

[wavelet2008]

跪求大神 收敛指点 ：目前 id=5w 人,m=0.35, loss = 0.390078，acc=0.9918 还是比较差 不然其他训练的效果0.998

[Catosine]

跪求大神 收敛指点 ：目前 id=5w 人,m=0.35, loss = 0.390078，acc=0.9918 还是比较差 不然其他训练的效果0.998

你好，可否多讲一点你的实现方法？

[shiyuanyin]

你可以用insightface 检测对齐的方式，处理数据人脸，m 的设置好像不一样

…

------------------ 原始邮件 ------------------ 发件人: "wavelet2008"<notifications@github.com>; 发送时间: 2019年6月25日(星期二) 晚上6:30 收件人: "xialuxi/arcface-caffe"<arcface-caffe@noreply.github.com>; 抄送: "史诗"<892781037@qq.com>;"Mention"<mention@noreply.github.com>; 主题: Re: [xialuxi/arcface-caffe] 训练出的模型的效果如何？ (#7) 跪求大神 收敛指点 ：目前 id=5w 人,m=0.35, loss = 0.390078，acc=0.9918 还是比较差 不然其他训练的效果0.998 — You are receiving this because you were mentioned. Reply to this email directly, view it on GitHub, or mute the thread.

[xiakj]

@xialuxi 在caffe下跑的arcface识别，识别结果不准确，比python版本的差远了，楼主有什么建议吗