Офк что быстрее , нужно смотреть саму модель

При просто вызове он использует call и просто прогоняет прямое распространение

и есть ли норм сообщество по таким вопросам? вы тут курсы обсуждаете, а я тут со своими вопросами левыми

Это понятно, но на курсе в теории что я слушал правильно с 1/n.

Его можно настроить типо если не учим то сокращенно проходим , а предикт стандартная функция

а predict? типа доп. и градиенты считает, например, потому долго думает?

хотя нет, я 2й и попробовал т.к. не ловило градиенты

нет градиенты не будет считать

предикт это форвард пасс

он обратно не возвращается что бы пересчитать градиенты

а call....?

NUM_CLASSES = 11

class Model(tf.keras.Model):
    def init
   def call(self, inp, proposals=None):
       
       if proposals is None: # Режим обучения
         
           out = self.conv1(inp)
           out = self.max_pool(out)
           out = self.conv2(out)
           out = self.max_pool(out)
           out = tf.layers.flatten(out)
           out = self.fc1(out)
           out = self.fc2(out)
           return out
         
       else: # Режим предсказания
         
           assert inp.shape[0] == 1 # Только batch size = 1
           predictions = []
           roi_pool_size = (7, 7)
           
           
           return predictions
   
model = Model()

тут пример кастомного кола , как видишь тут оператор ветвления есть , который отсекает блок создания пропозалов

не, там чуть иная дичь, но вот прям разделения явного нет) предполагаю, что чисто мой кейс, может оно как-то модель пересобирает/грузит, а она малюсенькая и потому тормозит

Подумал про эту идею. В итоге получим модель, которая предполагает отличное от нормального распределение шума, и для задачи как таковой это правильно, но ее работа не будет больше минимизировать RMSE, а лидерборд считает именно его. Получается будучи формально правильным такое решение заведомо проиграет по скору?

Честно говоря, когда речь о таком слабом сигнале, сложно что-то однозначное сказать. Например, у меня было так, что оптимизация tweedie лосса давало лучший MSE, чем непосредственная минимизация MSE 😂

Стат тесты, правда, никакие не считал, но было стабильное улучшение на каждом из фолдов на нескольких сидах + улучшение на паблике.

А спустя несколько итераций оптимизаций других гиперпараметров, твиди стал уже хуже, чем MSE. Вот и думай)

Дела... Кому расскажешь - не поверят) А что за соревы были, на которых твиди временно одерживал верх над mse?

временно - это как раз в этом соревновании) а в целом он хорошо заходит, когда распределение таргета скошено. Лично мне в конкурсе на Zindi помогло. Не сказать, что твиди там явно обыгрывал mse, но вот их бленд - да, серьезно улучшал. Еще вроде в соревнованиях M5 на каггле заходило, но их я не решал

кстати, а как обычно делают поиск позиции объектов/маркеров на изображении? я взял u-net-подобную архитектуру, вход 224*224, выход - softmax по classN+1 сетками 224*224, таргет - гауссианы вокруг точек, лосс - dice + доп. учитываю типа как центр масс предсказаний в каждом классе... насколько это не правильно?)