------------------------------------------------- 整晚数据集训练 1：10，class_weight 解决不平衡问题， 数据集减去平均值外，没有其他的预处理方法 # 初探学习率 ------------------------------------------------- 000 学习率 1e-4 epoch 20 过早（epoch 6）过拟合 001 学习率 1e-5 epoch 50 可以 002 学习率 1e-6 epoch 50 比较合适,就是太慢了 # 主要影响F1的是precision ------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，没有其他的预处理方法 -------------------------------------------------------- 003 学习率 1e-5 epoch 50 -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，没有其他的预处理方法 保持正样本权重为1改成保持负样本权重为1 -------------------------------------------------------- 004 学习率 1e-5 epoch 50 -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，没有其他的预处理方法 改成单输出 -------------------------------------------------------- 005 学习率 1e-5 epoch 50 -------------------------------------------------------- 以下开始测试预处理方法 -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，削顶600，归一化 -------------------------------------------------------- 011 学习率 1e-5 epoch 50 -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，使用整体混叠信号Z-score整理数据集 -------------------------------------------------------- 012 学习率 1e-5 epoch 50 -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，使用每个片段的混叠信号Z-score整理数据集 -------------------------------------------------------- 013 学习率 1e-5 epoch 50 -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，使用大体动检测后缩放 -------------------------------------------------------- 014 学习率 1e-5 EPOCH 20 TODO -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 # 修改卷积层的激活函数 -------------------------------------------------------- 021 学习率 1e-5 EPOCH 20 TODO -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 # 引入残差块 -------------------------------------------------------- 022 学习率 1e-5 EPOCH 20 TODO -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 # 修改卷积层的激活函数 RESP用CNN(RESNET?) STFT用LSTM -------------------------------------------------------- 023 学习率 1e-5 EPOCH 20 TODO -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 # 修改卷积层的激活函数 RESP用CNN(RESNET?) STFT用LSTM 对两者输出的结果再用CNN -------------------------------------------------------- 024 学习率 1e-5 EPOCH 20 TODO -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 # 修改卷积层的激活函数 RESP用CNN(RESNET?) STFT用LSTM 对两者输出的结果再用CNN -------------------------------------------------------- 025 学习率 1e-5 EPOCH 20 TODO -------------------------------------------------------- ## TODO: 质量好的信号结果分析；严重程度的分析 -------------------------------------------------------- **全量**非整晚数据集训练 1：3.5，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 -------------------------------------------------------- 031 学习率 1e-4 -------------------------------------------------------- -------------------------------------------------------- 非整晚数据集训练 1：3.5，仅用质量好的数据训练，class_weight 解决不平衡问题， 数据集减去平均值外，选上述最好的处理方法 -------------------------------------------------------- 0xx 学习率 1e-4 这个不实现先 --------------------------------------------------------