本文共 1555 字，大约阅读时间需要 5 分钟。

〇、实验过程记录

• 2020年11月11日：改进第30版本，加入了纺锤结构，但是还没有使用残差来缓解训练难度，同时也没有使用注意力机制，更没有更换优化器，也没有换卷积的类型

一、第一次试验的测试位置

• 评价指标的文件路径：E:\2020-09-22更换数据集\测试集\Infra01
• 测试集数量/类别：5个
• 每个测试集的图片数目
• 训练集和验证集的位置：
• 训练集和验证集的位置：
• 原始数据集的位置：
• 数据集划分的比例和时间：

二、灰度化前后的测量指标是否会改变？

• 会改变，但是对于每一个指标，我们应该采用同样的策略，比如，在使用评估指标A时，我们在所有数据集上评价不同的算法的时候，都应该使用灰度化，或者不使用灰度化的策略，也就是保持对比的公平性。
• 同时，使用灰度化之后的图片进行测试的话，评估每个数据集的时间将大大降低，有利于做实验，节省时间。

三、测量结果归一化

• 有的评估指标的实验结果的数值过大，不便于我们进行算法之间的比较。
• 为了方便比较，我们应该对得出的实验数据进行类似于归一化的操作，比如，某个评价指标A的实验结果普遍是超过10位数的，如4489518967312，数字的位数过多，我们一下子难以做出辨别，而且数据位数过长，显得有些冗余，这时候我们应该对数据进行除以千万（10,000,000）或者除以一亿（100,000,000）的操作，如此我们在进行算法比较是就比较从容和方便。
• 目的就是让数据看起来更加简洁，易于比较，让我们能够一眼就能看出孰优孰劣。
• 另一方面，在实验数据的表格之中，使用过长的实验数据会使人失去阅读的兴趣，不利于展示算法的实验结果或者说效果。

四、无参考指标的选取

• 实验的评价指标选取4~5个即可，如此实验结果的表格的数据就很充分和丰富了。
• DCT
• DFT
• Brenner
• Energy
• Entropy
• Laplace
• Range
• Roberts
• Tenengrad
• Variance
• Vollaths
• SMD
• SMD2
• 另外，还有使用新的无参考评价指标：如Matlab自带的那几个，抓紧时间搞懂究竟是怎么实现的！！！

五、模型的训练和测试

• 注意保存结果以及相关的参数；
• 注意保存模型训练和测试的时间；
• 对于模型的测试，一定要及时地在模型训练完成之后进行测试，保持实验动作的连贯性。
• 尽量不要在没有完成上一版本模型的测试的情况下，就着急着开始新模型的训练。

六、论文的阅读

• 论文的创新点和对自己的实验有启迪的地方要马上记笔记，否则看完之后很容易遗忘。
• 明确看论文的原始目的：一是在自己的论文实验遇到瓶颈的时候需要去论文中寻找；二是没有idea的时候需要看别人的论文。
• 不是为了看论文而看论文，这样的做法不提倡。
• 另一方面，在阅读别人的论文时，要注意总结别人是怎么行文的，是如何遣词造句的，遇到精彩的表达要注意积累，这对于论文的撰写至关重要！

七、研究思路

• 一定要理清实验的思路，吧模型的结果构思好，绘制出来，对比着进行实现。
• 对于论文中获取的idea一定要自己亲自用于实验，如此才能验证idea是否可行或者某个模块的效果是否可行。
• 别人论文中的不一定适合自己的实验，也有可能是任务不合适
• 别人说的只能当做是参考，要秉持怀疑的态度，不是被动地全盘接受

八、交流讨论

• 遇到问题可以多和同学交流，不能一个人蒙着头盲目地搞，交流有利于开阔视野以及为问题的解决提供不同的解决方案、不同的视角等。
• 积极交流，秉持包容开放的态度，虚心向同学请教。
• 阅读论文，遇到不懂或者有疑问的地方，可以选择给原作者发邮件进行交流。

九、代码

• 要逐渐深入阅读代码，把各个文件以及函数之间的调用逻辑以及作用搞清楚。
• 在实践中逐步熟练使用python。
• 形成自己的代码风格，适合自己的才是最好的。

转载地址：http://ydugf.baihongyu.com/