# 2022 / 10 / 26 進度

###### tags: `實驗`
[TOC]

### 嘗試
1. 為了測試把前一張圖片也加入Object detection的效果，研究FCOS的架構並實作出train/test輸出一樣loss/detections的模型寫法

2. 為了做實驗比較，發現以前的實驗無法復現，即使是同樣的code跑兩次結果也不相同，但趨勢是一樣的(具體mAP50差距可達0.05)，於是探討了random seed的問題

==================Code==================

torch.cuda.manual_seed(SEED) 
torch.cuda.manual_seed_all(SEED)

==================Code==================

def seed_worker(worker_id):
    numpy.random.seed(worker_seed)
    random.seed(worker_seed)

g = torch.Generator()
g.manual_seed(SEED)

==================Code==================

os.environ["CUBLAS_WORKSPACE_CONFIG"] = ":4096:8"
torch.backends.cudnn.benchmark = False
torch.backends.cudnn.deterministic = True

最後發現最大隨機的原因在Augmentation，關掉aug後可以原全復現，但此時在第2個epoch就到達performance最大值，這樣我的模型算是General的嗎，需要做更多實驗
No Aug :
| - | mAP50 Train | mAP50 Valid |
| -------- | -------- | -------- |
| SGD at(16) | 0.586 | 0.5087 |
| AdamW at(1) | 0.400 | 0.5556 |
| AdamW at(2) | 0.536 | 0.528 |

3. 發現cv2read gray複製3份和直接讀RGB過模型的LOSS不同，研判是PIL.save的問題(但效能差距好像不大)
存成jpg就會讓值不同，png不會，所以全部重新弄成png

4.把不納入valid的17拿去train變爛
train的33移掉也是變差
#### Next :

4. 嘗試上次報的SGL K-fold Pseudo-label能否幫助提升效能