-
Notifications
You must be signed in to change notification settings - Fork 6
/
allages.txt
126 lines (97 loc) · 8.14 KB
/
allages.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
** ALLAGES POU PREPEI NA GINOUN
1) par 1.2: I leksi "Resnet" se bold
2) sto peiramatiko kommati, vale pososta sxetika me to poso xeiroteri
apodosi exeis se sxesi me to Gazenet (best)
3) sto 1.2 prosthese to diktuo tou 2019 pou xrhsimopoioun to Resnet-preact
kai upologizoun distances apo tin othoni (anefere to ekei oti uparxei kai
afto)
4) sel 6.: "και της κάθετης γωνίας που δημιουργεί η κατεύθυνση
του βλέμματος" ---> "και της κάθετης γωνίας που δημιουργείται από την
κατεύθυνση του βλέμματος"
5) sxima 2.3: "να έχει υποστεί μεταφορά" ---> "να έχει υποστεί μετατόπιση"
και επίσης: "ώστε να μειώνεται το σφάλμα προβολής"
---> "ώστε να ελαχιστοποιείται το σφάλμα προβολής"
6) par 2.3: "Ο μετασχηματισμός αυτός κάνει συμβατά τα δεδομένα με τις βάσεις
δεδομένων που θα χρησιμοποιήσουμε." --->
Ο μετασχηματισμός αυτός κάνει συμβατά τα δεδομένα με τις βάσεις
δεδομένων που θα χρησιμοποιήσουμε (τις αναφέρουμε στην ενότητα Χ.Υ.")
7) par 2.3: "Οι αλλαγές
αυτές οφείλονται στους πίνακες C r , R, S, C n της παρακάτω εικόνας."
---> "Οι αλλαγές
αυτές οφείλονται στους πίνακες C r , R, S, C n του σχήματος (X.Y)."
8)prosthese sti vivliografia to paper "Identity Mappings in Deep Residual
Networks(Kaiming He)
9) par 2.4: anamesa stin 1h kai 2h paragrafo prosthese to parakatw keimeno:
"Το δίκτυο Resnet-20 προέκυψε έπειτα από πειραματισμούς πάνω σε βασικές
παραμέτρους του δικτύου Resnet. Χρησιμοποιώντας κάποιες αρχικές τιμές στις
παραμέτρους του δικτύου, δοκιμάσαμε να αλλάξουμε τις τιμές των παραμέτρων μία μία
κάθε φορά. Μόλις λάβουμε την βέλτιστη τιμή για μία παράμετρο, δηλαδή την τιμή που παράγει
το μικρότερο μέσο σφάλμα, τότε κρατάμε αυτήν την τιμή και δοκιμάζουμε να αλλάξουμε την επόμενη
παράμετρο. Προσπαθήσαμε να αλλάξουμε τις παραμέτρους με συγκεκριμένη σειρά.
Προτεραιότητα δώσαμε στις παραμέτρους οι οποίες επηρρεάζουν τα αρχικά στάδια
του αλγορίθμου, όπως οι παράμετροι της αρχικής συνέλιξης του δικτύου (gate
block). Στην πορεία ασχοληθήκαμε με τις παραμέτρους των υπόλοιπων συνελικτικών
στρωμάτων του δικτύου, ακολουθώντας την παρακάτω σειρά. Για κάθε συνελικτικό στρώμα που προσθέταμε
ελέγχαμε για ποιές από τις παραμέτρους του στρώματος παίρνουμε καλύτερη απόδοση. Αν για καμία παράμετρο
του στρώματος δεν παίρναμε καλύτερη απόδοση σταματούσαμε να προσθέτουμε στρώματα, αλλιώς
κρατούσαμε το στρώμα και τις βέλτιστες παραμέτρους και κάναμε την ίδια διαδικάσια για
το επόμενο στρώμα. Τέλος ασχοληθήκαμε με τις παραμέτρους των διασυνδεδεμένων
δικτύων, όπως τον αριθμό των στρωμάτων και των νευρώνων.
Οι παράμετροι του δικτύου πάνω στις οποίες πειραματιστήκαμε είναι οι παρακάτω: (με bullets εδώ)
* Εκδοχή του δικτύου Resnet. Επιλέξαμε τη βασική εκδοχή του αλγορίθμου,
ενώ δοκιμάσαμε και τις εκδοχές "ReLU before addition" και "full
preactivation", οι οποίες φαίνονται στο [3].
* Μέγεθος φίλτρου της αρχικής συνέλιξης (kernel size of gate block).
Δοικιμάστηκαν οι τιμές 3, 5, 7, 9. Σαν βέλτιστη τιμή επιλέχθηκε το 7.
* Αριθμός των καναλιών εξόδου της αρχικής συνέλιξης (number of output
channels of gate block). Δοκιμάστηκαν οι τιμές 16,32,64,128 και σαν
βέλτιστη τιμή επιλέχθηκε το 64.
* Αριθμός στρωμάτων από βασικά μπλοκ (number of basic block layers).
Δοκιμάστηκαν οι τιμές 2,3,4,5,6 και σαν βέλτιστη τιμή επιλέχθηκε το 4.
* Αριθμός βασικών μπλοκ ανά στρώμα (number of basic blocks per layer).
Δοκιμάστηκαν οι τιμές 1,2,3,4 και σαν βέλτιστη τιμή επιλέχθηκε το 2.
* Βάθος συνελικτικών στρωμάτων ανά βασικό block (depth of convolutional
layers per basic block). Δοκιμάστηκαν οι τιμές 1,2,3,4 και σαν βέλτιστη
τιμή επιλέχθηκε το 2.
* Αριθμός διασυνδεδεμένων δικτύων (number of fully connected layers).
Δοκιμάστηκαν οι τιμές 1,2,3,4 και επιλέχθηκε η τιμή 3.
Επιπλέον, έγινε πειραματισμός πάνω στον αριθμό των καναλιών εξόδου (output
channels) τόσο στα στρώματα βασικών μπλοκ όσο και στα διασυνδεδέμνα στρώματα.
Τα στρώματα βασικών μπλοκ έχουν σαν έξοδο καναλιών τους αριθμούς 64, 128, 256, 512 και
τα διασυνδεδεμένα στρώματα έχουν σαν έξοδο τους
αριθμούς 512, 512, 2.
10) stin enotita 2.4 tis anixneusis kateuthinsis vlemmatos ftiakse 2
upoenothtes. Tin "Υπολογισμός παραμέτρων δικτύου" και "Περιγραφή δικτύου".
Ίσως μπορώ να προσθέσω μια ενότητα που να λέει "Δομικά στοιχεία δικτύου
Resnet-20" για να εξηγήσω τα μπλοκς,layers,κτλ.
11) par 2.4: "στο κανονικοποιημένο σύστημα της κάμερας που αναφέραμε
προηγουμένως." ---> "στο κανονικοποιημένο σύστημα της κάμερας που αναφέραμε
στην ενότητα Χ.Υ." και
"Το αποτέλεσμα του μετασχηματισμού αυτού είναι
η απόκτηση των γωνιών ( φ̂, θ̂)" - τις γωνίες σε \pmb
12) par 2.5: "Τέλος, υπολογίζουμε τις τιμές των (d x , d y )"...
αντί για "Τέλος" βάλε "Έπειτα".
13) Κεφάλαιο 3 πάνω πάνω: βγάλε τα "adjustbox graphicx.."
14) γράψε για τα mpiigaze, ut multiview
15) βγάλε τα citations στο MPIIGaze και στο UT Multiview
στα πειράματα (υπάρχουν περιττά γιαυτό)...επίσης μπορείς να βάλεις
subsections "Βάσεις δεδομένων MPIIGaze και UT Multiview"
και "Αξιολογήσεις"
16) Τα batch sizes στις υπερπαραμέτρους βάλτα τελικά σε \pmb
17) Πρόσθεσε σε bold τα ποσοστά (20%)
--arch myresnet_basic
--gate_kernel 7
--numOfFC 3
--ff1_out 512
--ff2_out 512
--block_type basic
--block_sizes 64,128,256,512
--deepths 2 2 2 2
--resnet_type basic
--batch_size 4
--base_lr 0.0001
--momentum 0.9
--nesterov True
--weight_decay 1e-4
--epochs 40
--lr_decay 0.1