看了您的报告之后，有些代码上的问题需要向您请教 about aegan-ad HOT 3 CLOSED

您好！

感谢对我们工作的关注。

效果偏低可能是因为没有用pretrain文件夹中的yaml配置文件，替换原始的config.yaml文件。

原始的config.yaml只在dev集上训练，bearing预训练参数是在dev+eval两个数据集上训练的。

输入样本会根据数据集的均值和方差进行归一化，使用错误的config.yaml，会只使用dev集的统计量进行归一化，导致结果变差。

祝好！

from aegan-ad.

非常感谢您百忙之中的回复！

我们确定使用了bearing_cfg.yaml中的参数设置，只在dataset_dir处做了改变。同时又观察了spec\deval\bearing文件夹中生成的train_scale_mel_128_2048_512_1.npy文件，显示其中的均值和方差分别是[ 9.994418 -60.24845 ]，不知道是不是因为这两个数值不对导致了结果有所偏差。

另外，我们又对fan数据集进行了测试，其中npy文件的均值和方差分别是[ 22.920975 -66.271965]，同时我们又观察到了偏高的best hmean
========= Test Machine Type: fan =========
============== TEST DATASET GENERATOR ==============
============== TRAIN DATASET GENERATOR ==============
=> Recorded best hmean: 0.6583
=> Detection on dev test set
100%|██████████| 600/600 [00:42<00:00, 14.14it/s]
=> Best metric: G_z_cos_sum; Best hmean: 0.6724

from aegan-ad.

更正一下，归一化方式实际为MinMax归一化为[0,1]，而非减均值除标准差的归一化。

2种机器的归一化系数都存在差异。bearing的归一化系数为[9.994418, -57.940884]，fan的归一化系数为[22.920979, -64.80351]。

test.py已更新，原代码中若不先运行train.py就运行test.py时，会缺少归一化系数文件，之前的问题可能出在这里。

可以考虑更新代码，或先运行train.py获得新归一化系数，再比较是否一致。

若不一致，应该是本地数据集的问题。

from aegan-ad.