实验记录20181007

1，昨天的实验总结。出一点，就是靠Github上开源程序给的loss函数并不可靠，最终还是要落脚在深度的平方根误差

2。早上开始的新的实验，有两个收获，第一个，之前的输出值之所以那么小，可能不是网络的原因，也不是有没有图像输入时标准化的原因，
很可能是由于定义的costvolume数量太少导致的。第二个收获是，有时候不能够光看loss下降没有来判断网络是否在学习，我们还可以直接看logits是否符合我们的预期来看是否学习了

可以看到，虽然loss没有规律，但是logits是在逐步变化的。 

2，下一步进行测试实验，看看自己的猜测是不是对的。

[[[ 29.22729683  30.66580391  29.58477974]
  [ 30.31576538  30.43939018  31.09558487]
  [ 26.96797752  28.96059608  27.58357811]
  ...,
  [ 29.50629616  29.50736046  30.33460999]
  [ 25.6018734   28.09297943  26.72260857]
  [ 29.97171402  30.31319618  30.52639198]]

 [[ 29.91841316  30.51651001  30.4446125 ]
  [ 31.31655502  31.66430664  31.79400444]
  [ 28.86005211  29.23633385  29.81957436]
  ...,
  [ 30.59753799  30.58752632  30.71619225]
  [ 27.93183327  27.13090897  28.3105011 ]
  [ 31.43568802  31.26835632  30.90818214]]

 [[ 27.89051819  28.71739578  28.36855888]
  [ 29.87748146  30.38660812  30.49242592]
  [ 23.59258842  27.06507492  24.84761238]
  ...,
  [ 27.80221939  27.57508278  28.00679016]
  [ 20.80804825  23.22537613  21.58174324]
  [ 28.49844933  29.23706627  29.47852516]]

 ...,

果然结果和我想象的是一样的，之前之所以数值太小的原因只是因为costvolume的个数太少。太棒了，一个可喜的消息。

但是现在还有个问题，就是这个图片上为什么有那么多格子？

 

3，接下来把通道数换成1，然后把costvolum改为128，希望能够训练出好结果。

4，发现经过上述设计以后，我只想说，算的真的非常非常慢。所以以后实验还是需要将标签图片的范围缩小到1-16，这样才能减少计算量。

5,到下午了，首先将深度调整回原来的大小。然后再将label图片的取值范围调整为0-16，如果能够训练的好的话，输出的
logits应该能够达到7-8左右

6,发现标准化以后还是不行，随着损失的下降，logits反而是下降而不是上升。这样的现象不正常。