search

plutoyuxie / AutoEncoder-SSIM-for-unsupervised-anomaly-detection-

Improving Unsupervised Defect Segmentation by Applying Structural Similarity to Autoencoders
121 stars 25 forks source link

陷入局部最优 #9

Closed smiler96 closed 3 years ago

smiler96 commented 3 years ago

谢谢您的开源代码！我发现在conv或者deconv后面不加batchnormalization的话，训练出来的结果都是灰色的，陷入了局部最优。加了BatchNormalization之后，就有了重建的效果，请问您在跑实验的时候会出现这样的问题吗？

plutoyuxie commented 3 years ago

谢谢您的开源代码！我发现在conv或者deconv后面不加batchnormalization的话，训练出来的结果都是灰色的，陷入了局部最优。加了BatchNormalization之后，就有了重建的效果，请问您在跑实验的时候会出现这样的问题吗？

嗨，我跑实验时没发现这个问题。。结果是灰色的可能是输出未规约到0-255之间？使用BN会加速收敛，不过也可能带来其他问题。

smiler96 commented 3 years ago

谢谢您的开源代码！我发现在conv或者deconv后面不加batchnormalization的话，训练出来的结果都是灰色的，陷入了局部最优。加了BatchNormalization之后，就有了重建的效果，请问您在跑实验的时候会出现这样的问题吗？

嗨，我跑实验时没发现这个问题。。结果是灰色的可能是输出未规约到0-255之间？使用BN会加速收敛，不过也可能带来其他问题。

我用的pytorch写的，模型输入数据是直接/255.0 归一化到0~1，最后的激活层加了一层Sigmoid。应该是向您说的一样，加了bn加速了收敛。