造成 loss=inf的原因之一：data underflow 最近在測試Giou的測試效果，在mobilenetssd上面測試Giou loss相對smoothl1的效果； 改完后訓練出現loss=inf 原因: 在使用log函數時出現 data underflow 解決方法：增加一個bias 原代碼 # match wh

最近在復現一篇論文的訓練代碼時，發現原論文中的總loss由多個loss組成。如果只有一個loss，那么直接loss.backward()即可，但是這里不止一個。一開始看到不止一個loss時，不知道將backward()放在哪里。 for j in range(len(output)):????loss?+&

由于MAML作者提供的源码比较混乱，而且是由tensorflow写成。所以我写了一篇用Pytorch复现MAML的博客：MAML模型无关的元学习代码完整复现（Pytorch版）。那篇博客中的复现细节已经很详尽了，但是在omniglot数据集上的准确率只有0.92，考虑