Tensorflow对象检测API-验证丢失行为

Question

我正在尝试使用TensorFlow对象检测API来识别图片和视频中的特定对象（吉他）。

关于数据，我从OpenImage数据集中下载了图像，并导出了.tfrecord文件。我正在用不同的数字进行测试，但是现在让我们说训练集中有200张图像，评估集中有100张图像。

我正在使用“ ssd_mobilenet_v1_coco”作为起点并使用“ model_main.py”脚本来训练模型，以便获得训练和验证结果。

当我在TensorBoard中可视化训练进度时，得到以下训练结果：

和验证损失：

分别。

我通常对计算机视觉并不陌生，并且想学习，所以我试图弄清楚这些图的含义。 训练损失按预期进行，并随着时间的流逝而减少。 在我的观点（可能是简单的）中，我期望验证损失从较高的值开始，随着训练的进行而减少，如果训练进行的时间过长并且模型开始过度拟合，则验证损失将再次增加。

但是在我的情况下，我没有看到验证曲线的这种行为，该曲线似乎基本上一直在上升（不包括波动）。

我训练模型的时间太短了，以至于看不到我期望的行为吗？首先我的期望错了吗？我误解了曲线吗？

Answer 1

好，我通过将 initial_learning_rate 从0.004减小到0.0001来解决了这个问题。
考虑到验证损失的剧烈波动，这是一个显而易见的解决方案，但起初我认为这是行不通的，因为配置文件中似乎已经有一个学习速率调度程序。
但是，在配置文件的下面（配置文件中）有一个 num_steps 选项，并指出

  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.

老实说，我不记得我是否注释掉了 num_steps 选项...如果没有，我的学习率似乎保持在0.004的初始值，结果太高了。
如果我确实注释掉了（以便学习计划程序处于活动状态），我想它不是从降低值开始而是从一个太高的值开始。
无论如何，现在它的工作情况要好得多，我希望如果有人遇到相同的问题，这会很有用。