# 11月15日本周科研工作进展

## 1.对上周的设计进行修改，增加阶段训练法

```python
if stage_num == 1:
    # 阶段1：仅训练q/k编码器，不使用MLP
    pass
elif stage_num == 2:
    # 阶段2：冻结q/k编码器，仅训练MLP层
    for param in self.encoder_q.parameters():
        param.requires_grad = False
    for param in self.encoder_k.parameters():
        param.requires_grad = False
    if self.a is not None:
        for param in self.a.parameters():
            param.requires_grad = True
    if self.b is not None:
        for param in self.b.parameters():
            param.requires_grad = True
elif stage_num == 3:
    # 进行完整训练
    for param in self.encoder_q.parameters():
        param.requires_grad = True
    for param in self.encoder_k.parameters():
        param.requires_grad = True
    if self.a is not None:
        for param in self.a.parameters():
            param.requires_grad = True
    if self.b is not None:
        for param in self.b.parameters():
            param.requires_grad = True
elif stage_num == 4:
    # 阶段4：解冻MLP层，冻结q/k编码器，仅训练MLP层
    for param in self.encoder_q.parameters():
        param.requires_grad = False
    for param in self.encoder_k.parameters():
        param.requires_grad = False
    if self.a is not None:
        for param in self.a.parameters():
            param.requires_grad = True
    if self.b is not None:
        for param in self.b.parameters():
            param.requires_grad = True
elif stage_num == 5:
    # 阶段5：解冻所有参数，进行全面训练
    for param in self.encoder_q.parameters():
        param.requires_grad = True
    for param in self.encoder_k.parameters():
        param.requires_grad = True
    if self.a is not None:
        for param in self.a.parameters():
            param.requires_grad = True
    if self.b is not None:
        for param in self.b.parameters():
            param.requires_grad = True
```

#### 实验：

实验中stage设置如下：

```python
parser.add_argument('--stage1_epoch_num', default=20, type=int)
parser.add_argument('--stage2_epoch_num', default=5, type=int)
parser.add_argument('--stage3_epoch_num', default=50, type=int)
parser.add_argument('--stage4_epoch_num', default=5, type=int)
parser.add_argument('--stage5_epoch_num', default=70, type=int)
```

#### 效果：

​	目前未训练完整，只训练了53epoch，效果如下：

![log5](/home/ringo/文档/PCL/experiment/log5.png)

​	由于增加了batchsize，显得训练速度相较于epoch较慢。但Loss在ProtoNCE阶段下降缓慢，考虑可能为学习率较低和梯度更新方式导致。Acc_inst正常更新，Acc_Proto更新较慢，怀疑以下问题：

​	1. 目前采用的最后一层结构为两层全连接加1层relu，考虑改变结构

​	2. stage2更新MLP层时未更新到位，使得最后一层拖了后腿，考虑增加学习率多epoch训练

​	3. 设计的最小聚类数过低，或者聚类翻倍数（1.7倍）不够正确



## 2.改进聚类

### 1.对最大聚类数和最小聚类数进行改进

#### 理由：

​	在聚类中，我们不希望聚类中样本数量有太大偏差，以确保聚类均匀稳定，但又不能设定一个过小的范围导致聚类无法收敛。

#### 修改：

​	以样本数/聚类数作为均值，将聚类中簇样本数视为正态分布，[0-均值]为-3标准差范围，将[-1标准差，1标准差]的68.3%概率的空间作为聚类数的限定空间，以保证输出的平稳，同时保证了一定冗余，以保证在最大迭代次数内能获得聚类结果。



# 下周任务

#### 1.优化投影头结构与训练流程，提升训练效果

##### 目前思路

​	1.考虑将Relu层放到两个全连接层中间，以保证输出结构与原结构类似。

​	2.增加不同stage的学习率策略

​	3.设定更大的聚类数/设置多层聚类进行实验