Report/10月25日本周科研工作进展.md

# 10月25日本周科研工作进展

## 1.对代码进行改进，增加了查看loss_inst和loss_proto贡献度的功能

### 实验设置：

|    参数名    |     参数      |
| :----------: | :-----------: |
|    数据集    | mini_imagenet |
|    epoch     |      100      |
|  热身epoch   |      15       |
|  翻倍的倍数  |      1.7      |
| 实例窗口大小 |       3       |
| 原型窗口大小 |       3       |
|   阈值提升   |      1.7      |

### 实验结果：

![log4](./pic/log4.png)
### 现象：

Acc_inst 与 acc_proto 的增长相较于之前大幅度下降，从loss方面可见loss_inst在热身后减少缓慢，而loss_proto下降较快。

#### 思考1：

应该是修改loss_proto权重导致的问题，原pcl代码中有一段错误的代码：

```python
loss_proto /= len(args.num_cluster)
```

![img](./pic/1.jpg)

此处args.num_cluster对应公式中的M，但在PCL代码中是一个字段，原作者是想计算字段中不同聚类数目的种类，但使用len计算字段长度会导致loss_proto被错误地减小10倍甚至100倍以上，但减小的loss_proto反而推动了训练进行。

#### 思考2:

相较于loss_inst，loss_proto训练速度更快，而loss_inst收敛似乎停止。这可能是由于两种loss是一种竞争关系导致的。原型对比学习本身就是要寻找出负对中的相似语义，这本身就与实例学习相冲突，可能需要后续实验验证哪种loss所代表的意义对不同的下游任务更重要。

### 解决办法与下周安排：

1.将实验视为loss相互竞争的多任务学习，考虑采用梯度标准化多目标优化（GradNorm: Gradient Normalization for Adaptive Loss Balancing in Deep Multitask Networks）或多目标优化（Multi-task learning as multi-objective optimization）的方式修改代码。

2.增加下游任务实验，观察不同结果的模型在图像分类/目标检测/聚类评估的任务中的发挥。