# 12月5日科研工作进展 ## 目前进度 ### 1.继续进行超参数调整 ![log7-l2s](/pic/log7-l2s.png) ![log8](/pic/log8.png) #### 超参数： ```python # 批次大小 parser.add_argument('--batch-size', default=64, type=int) parser.add_argument('--batch-size', default=96, type=int) # 学习率 parser.add_argument('--lr', default=0.03, type=float) parser.add_argument('--lr', default=0.08, type=float) # 聚类数量 parser.add_argument('--num-cluster', default='2,5,10,20,33,50,100,200,400,800,1600,2400,3200', type=str) parser.add_argument('--num-cluster', default='3200,2400,1600,800,400,200,100,50,25,20,10,5,2', type=str) # 负样本队列大小 parser.add_argument('--pcl-r', default=1024, type=int) parser.add_argument('--pcl-r', default=640, type=int) # MoCo动量 parser.add_argument('--moco-m', default=0.999, type=float, ) # softmax温度 parser.add_argument('--temperature', default=0.2, type=float) # 数据增强 parser.add_argument('--aug-plus', default=True, type=bool) parser.add_argument('--aug-plus', default=False, type=bool) ``` #### 目前问题： （1）存在过拟合的情况 （2）存在原型聚类损失不能很好引导两个精度的提升的问题 #### 目前最佳训练： ![log9-l2s](/pic/log9-l2s.png) ### 2.使用了软化标签的方式解决低聚类问题中的不确定影响 调用了nn.CrossEntropyLoss中的label_smoothing功能缓解硬标签对初期模型的破坏，目前设定上限为0.2 ```python def cac_smoothing_factor(cluster_result, args): # 获取当前聚类数 cluster = int(cluster_result['centroids'][-1].shape[0]) # 计算平滑因子，使得聚类数越少，平滑因子越大，最大为0.2 smoothing_factor = min(0.2, ((args.max_cluster - cluster) / args.max_cluster) ** 0.5 * 0.2) return smoothing_factor ``` ### 3.改用了自行设计聚类数组而非直接翻倍的方式决定聚类数目 根据之前的实验，聚类数在100左右时对训练提升最大，这是因为使用的mini-imagenet数据集拥有100个类别的原因。使用直接翻倍的情况可能会导致跳过n倍数类别或1/n类别的聚类数，导致计算损失时存在误差。 ```python parser.add_argument('--num-cluster', default='2,5,10,20,33,50,100,200,400,800,1600,2400,3200', type=str) # 改变聚类数逻辑 if should_change: # 取 num_clusters 的最后一个数字，与 all_clusters 比较 last_cluster = num_clusters[-1] if last_cluster in all_clusters: index = all_clusters.index(last_cluster) if index + 1 < len(all_clusters): # 确保不会超出范围 next_cluster = all_clusters[index + 1] # 更新 num_clusters：移除第一个，添加新数字到末尾 num_clusters.pop(0) num_clusters.append(next_cluster) print(f"Epoch {epoch}: 聚类数改变.") print(f"num_clusters 更新为: {num_clusters}") else: print("all_clusters 已用完，无法改变.") else: print("当前 num_clusters 的最后一个数字未在 all_clusters 中找到") sliding_window.reset(epoch) # 重置窗口并更新init_threshold elif should_change_threshold: print(f"Epoch {epoch}: 增加inst阈值") else: print("滑动窗口未达到条件，不改变聚类数.") ``` ### 4.增加了cos学习率衰减以控制更新以及防止过拟合 ```python def adjust_learning_rate(optimizer, epoch, args): """Decay the learning rate based on schedule""" lr = args.lr if args.cos: # cosine lr schedule lr *= 0.5 * (1. + math.cos(math.pi * epoch / args.epochs)) else: # stepwise lr schedule for milestone in args.schedule: lr *= 0.1 if epoch >= milestone else 1. for param_group in optimizer.param_groups: param_group['lr'] = lr ``` ### 5.采用凝聚型层次聚类作为一次聚类任务的方式 避免出现样本a在细聚类时属于小原型1.1，小原型1.1属于大原型1中，但样本a却在粗聚类时被分配到大原型2中的问题，提升聚类的可靠性。 ![图片1](/pic/图片1.png) ```python # 取得聚类中心0 centroids_0, im2cluster_0, D0 = clus(x, num_clusters[0], args) # 取得聚类中心1 centroids_1, im2cluster_1, D1 = clus(centroids_0, num_clusters[1], args) # 取得聚类中心2 centroids_2, im2cluster_2, D2 = clus(centroids_1, num_clusters[2], args) density_0 = cau_density(im2cluster_0, num_clusters[0], D0, args) density_1 = cau_density(im2cluster_1, num_clusters[1], D1, args) density_2 = cau_density(im2cluster_2, num_clusters[2], D2, args) ... def clus(x, num_cluster, args): k= int(num_cluster) clus = faiss.Clustering(x.shape[1], k) clus.verbose = False clus.niter = 20 # 最大迭代次数 clus.nredo = 5 # 聚类重新初始化次 clus.seed = args.seed clus.max_points_per_centroid = int(x.shape[0] * 5 / 3 / int(num_cluster)) clus.min_points_per_centroid = int(x.shape[0] / 3 / int(num_cluster)) clus.is_relative_centroids = True clus.spherical = True print( f"num_cluster:{num_cluster}, min_points:{clus.min_points_per_centroid}, max_points:{clus.max_points_per_centroid}") res = faiss.StandardGpuResources() cfg = faiss.GpuIndexFlatConfig() cfg.useFloat16 = True cfg.device = args.gpu index = faiss.GpuIndexFlatL2(res, x.shape[1], cfg) clus.train(x, index) D, I = index.search(x, 1) # for each sample, find cluster distance and assignments im2cluster = [int(n[0]) for n in I] # 取得聚类中心 centroids = faiss.vector_to_array(clus.centroids).reshape(k, x.shape[1]) return centroids, im2cluster, D def cau_density(im2cluster, k, D, args): # 计算每个样本到其聚类中心的距离 Dcluster = [[] for c in range(k)] for im, i in enumerate(im2cluster): Dcluster[i].append(D[im][0]) # 聚类中心浓度估算 density = np.zeros(k) for i, dist in enumerate(Dcluster): if len(dist) > 1: d = (np.asarray(dist) ** 0.5).mean() / np.log(len(dist) + 10) density[i] = d # 如果聚类只有一个点，最大化估计其浓度 dmax = density.max() for i, dist in enumerate(Dcluster): if len(dist) <= 1: density[i] = dmax density = density.clip(np.percentile(density, 10), np.percentile(density, 90)) # 去掉极端浓度值 density = args.temperature * density / density.mean() # 缩放浓度值 ``` 目前没有使用，原因是每层聚类数的差异不够，如聚类数为[2400,2000,1600]，每层差距不到1.2，凝聚型聚类会导致从小样本中聚类大样本数，问题较大。 可能考虑在以后从小到大的聚类训练中使用，以获得高可信度的粗聚类中心。 ### 6.改用聚类数从高到低的方式引导训练流程 在模型刚开始训练时，较粗的聚类可能导致边缘样本的错误分配，导致错误的累计。故引导聚类的方法从细到粗更可靠，最近邻和过度聚类通常更能被接受的；同时，凝聚聚类是一个循环过程，可以自然地在循环框架中进行解释；随着学习到更好的表示，这些聚类可以被合并。 目前正在实验， 从小到大（loss_inst: 3.50, loss_proto: 2.84 **Acc_Inst: 75.01, Acc_Proto: 60.28**） 从大到小（loss_inst: 2.67e, loss_proto: 3.46, **Acc_Inst: 91.45, Acc_Proto: 89.15**） 两种聚类方式会已进行比较（图1和图3），后续将补充一些说明作为论文的工作量。 ## 下周任务 1.进行一些下游任务实验的进一步设计（如few-shot）、聚类效果等