我刚刚从头开始在Pytorch中实现了Mask RCNN，下面是代码：https://github.com/arthurhero/Mask_R-CNN_Pytorch/blob/master/masker_ops.py
我在两台单独的机器上只有一台GTX1080和一台Quadro6000，因此每次迭代只能训练2张img。我的问题是，掩码RCNN通常需要花费多长时间？我怎么知道它是否在正确的轨道上？
现在，我只训练RPN头（所以这是四个“实用步骤”中的第一个）。经过一夜的训练，该模型仍然给我很多“ 0个正bboxes”的通知，即，当它为img的每个bbox分配标签时，它们全都是负的（没有足够大的真实值） bbox）。而且，随着培训的进行，似乎“ 0阳性bbox”通知的数量并没有减少。
我想到了几个原因。
现在，如果其中一个img具有“ 0个正bboxes”，我将跳过整个批处理，只是因为它将使张量形状对于以后的计算很奇怪。人们通常如何处理这种情况？会给培训带来太多的效率低下吗？
学习率可能太大？我目前使用的是0.02。但是由于我的批处理量只有2个，这个学习率是否过高？
我对将偏移量应用于锚点的方式有些疑问...当前，RPN头返回相对于锚点框的dy，dx，logh，logw。将这些偏移量应用于锚框的代码如下：
center_y = center_y + (dy*height)
center_x = center_x + (dx*width)
height = height * torch.exp(dh)
width = width * torch.exp(dw)
生成的bbox可能超出了原始锚点的边界（如果dy和dx大）。但是，当将此bbox分配为“负”时，如果原始锚点中心的类标签为正，则将受到惩罚。这对我来说似乎不公平……我在这里误会了吗？还是没关系？我们是否应该对这些偏移量施加一些严格的约束，以使生成的bbox距离锚点不会太远？
for循环太多。这是ROIAlign层和“建议”过滤器层的问题。由于每个img可能具有不同数量的已过滤提议，并且仅仅是因为很难操纵5D张量...我通常只是沿批处理轴拆分批处理bbox或提议，并使用for循环处理集合一次提交一张img的提案。但是从我对OS的有限了解来看，GPU在执行串行工作方面似乎很糟糕。这些循环是否拖累了训练的速度？还有没有更好的方法可以在没有for循环的情况下在5d张量上实现这些计算？
GPU太少。基本问题：是否有可能仅在一个GPU上训练Mask RCNN？如果不是，对于价格便宜的对象遮罩有何建议？我听说YOLO在计算上也非常昂贵...
非常感谢！
-Z