repeat和shuffle的准确率都是73.5 about iic HOT 5 CLOSED

@Mrbishuai 抱歉回复晚了
我不清楚是否在使用过程中的参数赋值出现了问题，从代码上讲，如果--neg的赋值不同，对应到训练部分的代码train_ssl.py和intra-neg的生成部分gen_neg.py，输入的样本肯定是不一样的。

因为固定了随机数种子，所以对于相同实验环境，如果参数一致结果应该是一致的。
由于best model都是best_model_141.pt，所以我觉得很有可能两次实验的各项参数都相同。
因此对于自监督部分的训练部分，可能还需要你那边再确认一下。

更详细的调试可以去看两个模型的同一个iteration的输入，或者是你已经训练好的两次模型的best_model_141.pt的参数是否一致。

对于finetune的结果来讲，73.5算是比较正常的数值。

from iic.

感谢您百忙之中对我的回复，我对代码又进行了训练，发现了一个问题不是很明白。当直接运行python ft_classify.py --ckpt=/path/to/your/model --dataset=ucf101 --mode=test测试时必须修改ft.classify.py
if args.mode == 'train':
model.load_state_dict(pretrained_weights['model'], strict=False)
else:
#model.load_state_dict(pretrained_weights['model'], strict=True)
model.load_state_dict(pretrained_weights, strict=True)
改为：
if args.mode == 'train':
model.load_state_dict(pretrained_weights['model'], strict=False)
else:
#model.load_state_dict(pretrained_weights['model'], strict=True)
model.load_state_dict(pretrained_weights['model'], strict=True)
我想知道是不是会对结果产生影响呢？

from iic.

这部分主要看用的是什么模型，model.load_state_dict()只是用来load模型权重的变量。

strict=True主要是在测试时使用，一方面也检查模型是否参数正确，因为在finetine的时候最后的分类层是新的，如果在finetune时设置strict=True检查，那么只会显示fc层load有问题，这样的话fc层就是新的，可以放心设置成False进行finetune。

至于第一个参数，主要就是解析好的模型的参数。有些代码可能直接就是torch.load(checkpoint)。这部分的话当时是怎么存储就怎么load，比如是以dict形式，那么就要加上类似pretrained_weights['model']。如果是参数名有变化，则可以加一个函数过滤一下。

在我这边的代码里，如果两个都可以的话，应该是没有区别的。我看了一下我的finetune.py部分和前面train_ssl.py部分其实模型存储的时候都是以dict的形式。finetune部分因为dict只有一个key，所以应该这么写也正确load了，当时写的时候没怎么注意。

from iic.

谢谢您在百忙之中给我回复，最近我发现您的又一篇文章，再次基础上进行的大幅的提升，Self-Supervised Video Representation Using Pretext-Contrastive Learning不知道您是否愿意在方便的时候将代码发给我，以供学习。我的邮箱[email protected]，谢谢您！

from iic.

@Mrbishuai 完整版本包含较多的组合，比较忙没怎么整理，一个可用的toy版本在我的这个repo里。

from iic.