Studoši

Rene ako može neko podijeliti grafove iz zadnjeg zadatka bio bih zahvalan

Meni je ovako ispalo:

model_feat mi je model koji koristi vektore iz prostora značajki, dok model_id samo sliku uzima.

Jel nam išta slično izgledaju grafovi?

Emma63194 mislim koliko treba bit ulaz i izlaz za svaki layer

steker Aha, misliš kao, kolike su ulazne i izlazne dimenzije? Ja sam ovako, ali neka netko još provjeri, ne garantiram da je točno:

BNReluConv

• input dim: BATCH_SIZE x 1 x 28 x 28
• output dim: BATCH_SIZE x EMB_SIZE x 26 x 26

max pool

• input dim: BATCH_SIZE x EMB_SIZE x 26 x 26
• output dim: BATCH_SIZE x EMB_SIZE x 12 x 12

BNReluConv

• input dim: BATCH_SIZE x EMB_SIZE x 12 x 12
• output dim: BATCH_SIZE x EMB_SIZE x 10 x 10

max pool

• input dim: BATCH_SIZE x EMB_SIZE x 10 x 10
• output dim: BATCH_SIZE x EMB_SIZE x 4 x 4

BNReluConv

• input dim: BATCH_SIZE x EMB_SIZE x 4 x 4
• output dim: BATCH_SIZE x EMB_SIZE x 2 x 2

global average pool

• input dim: BATCH_SIZE x EMB_SIZE x 2 x 2
• output dim: BATCH_SIZE x EMB_SIZE x 1 x 1

Emma63194 e to hvala

steker Np. Mene samo muči jer sam stavila da je veličina feature mapi stalno EMB_SIZE.
Nisu nigdje rekli koliko mora biti, osim da bi na izlazu zadnjeg sloja trebalo biti tako.
Ne znam jesmo li između trebali uzimati veće feature mape ili je u redu ovako kako sam ja stavila.

Emma63194 Sve sto nije strogo definirano je prostor za vlastitu interpretaciju

Rene Kak ga reshapeas? torch.reshape(img, (img.shape[0], 1))? Nije mi bas najjasniji taj zadatak pa je bilo kakva pomoc dobrodosla

pp ja reshapeam x na kraju funkcije
x = x.reshape((img.size(dim=0), self.emb_size))

pp nvm, mislio sam si pito za 2. zadatak.

Radi mi torch.reshape(img, (img.shape[0], img.shape[2]*img.shape[3])) za 82.16% acc, al mislim da možeš bilo kako reshejpat dok god ti je 2. dimenzija za r i repr ista (u evaluate)

hellvetica reshapeaj vektor na kraju get features funkcije

Ducky

Ducky Vidim da vec nekoliko ljudi spominje 82% tocnost. Ja uporno dobivam 12%, koje izmjene ste morali napravit u utils.py?

koliko dugo vam traje treniranje u 2. zadatku?

Daeyarn cca 5 min po epohi, ako ti puno traje vjerojatno ti sampling metode pre dugo traju
Probaj ovako:

    def _sample_negative(self, index):
        anchor_target = self.targets[index].item()
        indicies = list()
        for tar in self.target2indices:
          if (tar != anchor_target):
            indicies += self.target2indices[tar]
        return choice(indicies)


    def _sample_positive(self, index):
        anchor_target = self.targets[index].item()
        return choice(self.target2indices[anchor_target])

tpulj wow, s ovim kodom se cak izvrte do kraja 😅 hvala puno!

tpulj U drugom dijelu, nemaš garanciju da ti pozitivan primjer neće biti isti sidru. Znam da je mala vjerojatnost da se to desi, ali opet.

U prvom, zašto ne samo nasumično odabrati razred (koji nije jednak razredu sidra) i onda samo nasumičan uzorak iz tog razreda?
Čini mi se da je to brže nego raditi listu i onda iz nje random birati.

Daeyarn np, nemoj samo zaboravit izmjenit malo 😉

Ducky I meni je tako, si rijesio to ?

Ima li tko da je imao na početku slabiji performance i da je uspio skužiti u čemu je stvar i popraviti to?

Igram se već jedno vrijeme s hiperparametrima, ali najbolje što uspjevam dobiti je 72% točnost.

Ne znam u čemu bi mogao biti problem.

Emma63194 Problem je bio u tome što sam miješala numpy i torch. Izbjegavajte numpy kod loss funkcije i koristite torcheve alternative funkcija koje bi vam mogle trebati.

Emma63194
1) Zanemarivo 😄
2) Je, u pravu si. Toga san se sitia nakon sta san vec napisa funkciju a nije mi se dalo vracat vise na to 😅

Ducky Provjeri si output shape iz forwards treba ti biti , BATCH * EMB , a ne BATCH * EMB * 1 * 1

Koliki vam je test accuracy nakon izbacivanja razreda 0 iz skupa za ucenje?

pp 97%

kak ste iz tensora izbacivali elemente ? za 3 zad pod e)