对比学习 ——simsiam 代码解析。.doc

对比学习 ——simsiam 代码解析。

 

 

 目录

 

 1 ： 事先准备。

 

 2 ： 代码阅读。

 

 4 测试过程：

 

 5 ：线性验证

 

 6 ： 用自己数据集进行对比学习。

 

 第一： 改数据集 ：

 

 

 

 

  写在前面的话 CSDN 真的是’sb’中的’sb’软件， 辛辛苦苦写半天 我复制个东西过来 他

就把前面的刷没了 还要我重头写？？？？？？？？？？？？神经并 b

 

 

----------------------------------------------------------------------------------------------------------------------

--------

 

 

 

这个问题呢 。？看了一圈，感觉 simsiam 是对比学习里比较简单的一种方法，好像效果也

频。

 

 对比学习论文综述【论文精读】_哔哩哔哩_bilibili

 

 1 ： 事先准备。

  代码地址 ：好像不是官方的

 

 下载解压。

 

 直接在 main 函数的 运行 编辑配置中输入

 os.environ[‘CUDA_VISIBLE_DEVICES’]=‘0’

 

 

 

 注意 ： 第二次运行可以删掉 download

 

 2 ： 代码阅读。

下来根据这四块来看。

 

 运行 main 文件 。

 

 

  main(device=args.device, args=args)

 

 进入 main 函数 。

 

 是三个数据集的读取。

 

  dataset=get_dataset(

  transform=get_aug(train=True, **args.aug_kwargs),

  **args.dataset_kwargs),

 

 **args.aug_kwargs 里规定了图片大小是 32. 以及这次用的是 simsaim。

 这里两个 train 。 只有训练集的第一个 train 是 true。 而训练集的增广方式如下

 

 

 

 

 class SimSiamTransform():

  def __init__(self, image_size, mean_std=imagenet_mean_std):

  self.transform = T.Compose([

  T.RandomResizedCrop(image_size, scale=(0.2, 1.0)),

  T.RandomHorizontalFlip(),

  T.RandomApply([T.ColorJitter(0.4,0.4,0.4,0.1)], p=0.8),

  T.RandomGrayscale(p=0.2),

  T.RandomApply([T.GaussianBlur(kernel_size=image_size//20*2+1, sigma=(0.1,

  T.ToTensor(),

  T.Normalize(*mean_std)

  ])

  def __call__(self, x):

  x1 = self.transform(x)

  x2 = self.transform(x)

  return x1, x2

 

  增 广 方 式 可 以 参 考 官 网 Transforming and augmenting images — Torchvision 0.12

documentation

 

 这里依次是 ： 随机 resize 然后剪切为输入大小， 也就是会随机取图片里的一块。

 

 

 

 然后 对于一个输入 这里会做两次 transform call 可以让这个类像函数那样被调用。

 

 

  else:

  self.transform = transforms.Compose([

 

  如果输入是 224 就先放大到 256，然后中心裁剪 224，之后标准化。

 

  如果输入是 32 就放大到 36 再中心裁剪 32 .后标准化。