调参|炼丹|感悟

• 对于某些不参与图计算的模块，即没出现在forward函数中的子模块。初始化某些模块不使用与不初始化这些模块，两次的实验结果会有差异。——意味着初始化的参数是不一样的，即使看似那些模块对被使用的模块没有影响。
  具体而言，

  class Model(nn.Module):
  	def __init__(self):
      	super(Model, self).__init__()
  		self.l1 = TCN_GCN_unit(3, 32, A, residual=False)
  		self.l2 = TCN_GCN_unit(64, 64, A)
  		 # self.l7 = TCN_GCN_unit(128, 128, A)
  	def forward(self, x):
          x = self.l1(x)
          x = self.l2(x)
          # x = self.l7(x)
      return self.fc(x)
  

  上面的代码和下文的代码的实验结果不一样，即使是在设定了随机数种子的情况之下。不信大家可以试试看。

  class Model(nn.Module):
  	def __init__(self):
      	super(Model, self).__init__()
  		self.l1 = TCN_GCN_unit(3, 32, A, residual=False)
  		self.l2 = TCN_GCN_unit(64, 64, A)
  		# 删除l7子模块。
  	def forward(self, x):
          x = self.l1(x)
          x = self.l2(x)
          # x = self.l7(x)
      return self.fc(x)
  

• 面向单个模型的调参过程。
  • 配置文件应该面向实验，而不是以模型为主。
  • 训练使用main；测试使用自动化脚本main_params；之后ensemble_params单独或集体进行fuse。