我训练了一个对象检测API模型（来自Zoo的带有COCO / Inception v2的Mask RCNN），具有相同的配置，TensorFlow和模型版本，以及相同（自定义）数据集，用于相同数量的步骤。
在本地计算机上（1080 TI上为tensorflow-gpu），我使用了object_detection / train.py，而在云上，我使用了Google ml-engine作业，调用了object_detection.train模块。两者使用相同的学习率。
运行的云使用了5个工人，而本地的只有1个GPU。它们的批次大小都设置为1。
为什么本地训练的模型执行结果的准确性要差得多？本地训练的模型比其云训练的模型倾向于具有明显更多的误报。
更重要的是，我该怎么办才能使我在本地计算机上的培训达到与云相当的水平？
答案 0 :(得分：1)
好像您在云上使用了5个工作线程，而在本地仅使用了一个GPU？然后，批次大小是不同的。
有效batchsize是您在命令行上设置的batchsize除以worker数。看起来较低的批量大小确实可以在您的模型上很好地工作。因此，为了提高本地培训的准确性，请将批量大小减小为值的1/5。
此外，如果差异如此之大，您可以明显看出云模型更好，那么也许您应该进行超参数调整以找到更好的参数。在BASIC_GPU设置上执行此操作，以便云上的相同设置也可以在本地运行。