lmy98129
commented
1 year ago 您好，这个设置是继承自本文的baseline方法CSP的固有代码设置。请参见以下代码：
- CSP官方代码：https://github.com/liuwei16/CSP/blob/master/keras_csp/config.py#L8
- 本文使用的PyTorch版本CSP代码：https://github.com/ligang-cs/CSP-Pedestrian-detection/blob/master/config.py#L10
另外，以下是我个人的理解，仅供参考：
- 事实上，因为所有版本的代码都设置了随机shuffle，相当于每个epoch的训练数据都是随机打乱顺序的，前2000张都是2975张中不同的2000张，不存在直接丢弃某一部分数据、在所有epoch中都不再训练的情况。
- 例如，CSP官方代码是自己写的data_generator，带有随机shuffle功能，参见这段代码；
- 同时，PyTorch的DDP多卡训练机制中，DistributedSampler用于分配各GPU数据，其默认参数为
shuffle=True，所以我们无需自己写随机shuffle。DistributedSampler和DataLoader的shuffle冲突（参见PyTorch的这行源码），因此本项目的这段代码没有显式地给出shuffle=True，反而需要设置DataLoader的shuffle=False。 - 当然，PyTorch文档里面明确了，DataLoader的shuffle默认参数就是False，所以testloader也直接没给shuffle的设置。虽然测试的时候打乱不影响结果，但多一步操作没必要。
- 至于具体设置2000的理由，可以询问CSP原作者，我对此也不是很了解。主要是为了公平比较，只能继承这个设置。
如果我们事情比较多，可能会很久没回issue，建议您发邮件联系我们，回复的即时性会好一些。
刘孟寅
PeiChiChen
您好， 想請問iter_per_epoch應該代表的是training set裡image數量嗎？ 在citypersons裡面iter_per_epoch是2000， 但是citypersons的training set應該有2975張image， 所以想確認一下， 感謝！