python-3.x - Tensorflow 对象检测 API - 验证丢失行为

Question

我正在尝试使用 TensorFlow 对象检测 API 来识别图片和视频中的特定对象(吉他)。

对于数据，我从 OpenImage 数据集中下载了图像，并导出了 .tfrecord 文件。我正在使用不同的数字进行测试，但现在假设我在训练集中有 200 张图像，在评估集中有 100 张图像。

我正在使用“ssd_mobilenet_v1_coco”作为起点和“model_main.py”脚本来训练模型，以便获得训练和验证结果。

当我在 TensorBoard 中可视化训练进度时，我得到以下训练结果:

和验证损失:

分别。

我对计算机视觉总体来说是新手，并且正在尝试学习，所以我试图弄清楚这些图的含义。 训练损失正如预期的那样，随着时间的推移而减少。 在我(可能很简单)的观点中，我预计验证损失将从高值开始，随着训练的进行而减少，然后如果训练持续太长时间且模型开始过度拟合，则再次开始增加。

但就我而言，我没有看到验证曲线的这种行为，它似乎基本上一直呈上升趋势(不包括波动)。

我训练模型的时间是否太短，无法看到我期望的行为？我的期望首先是错误的吗？我是否误解了曲线？

Answer 1

好的，我通过将 initial_learning_rate 从 0.004 降低到 0.0001 来解决这个问题。
考虑到验证损失的剧烈波动，这是一个显而易见的解决方案，但起初我认为它不起作用，因为配置文件中似乎已经有一个学习率调度程序。
但是，紧接着下面(在配置文件中)有一个 num_steps 选项，并且指出

  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.

老实说，我不记得我是否注释掉了 num_steps 选项...如果我没有，似乎我的学习率保持在初始值 0.004，结果是太高了。
如果我确实将其注释掉(以便学习调度程序处于事件状态)，我猜它不会减少，而是从过高的值开始。
不管怎样，它现在工作得好多了，我希望如果有人遇到同样的问题，这会很有用。