训练过程中计算Recloss是不是有问题?

[iloveOREO]

首先感谢大佬的开源实现, 给大佬点赞👍
对比了下大佬的训练代码和当前offical的实现还是有挺多不一样的.
这里训练用的数据集为CelebA, 原始使用的是VGGFace, VGGFace中有按人划分文件夹, CelebA中的都混在一起了. 这里在读取数据的时候, 用文件路径区分不同的人, 认为不同图片路径即为不同id, 感觉不是很恰当 (当然针对后续训练流程貌似也没大问题)
在 dataloader环节, 将是否相同图片标记了 data_type:

        data_type = self.type
        if self.count == self.bs:
            #self.type = 1 - type
            self.type = (self.type + 1) % 5  # better
            self.count = 0
        
        return img_id, img_att, latent_id, latent_att, data_type

然后在训练流程中, 将data_type给到了 forward的 for_G参数, 但是!!! 在forward过程中并没有实际用到, 导致针对不同图片换脸也计算了 RecLoss

        #G_ID
        img_fake_down = F.interpolate(img_fake, scale_factor=112/img_fake.shape[-1])
        latent_fake = self.netArc(img_fake_down)
        latent_fake = F.normalize(latent_fake, p=2, dim=1)
        loss_G_ID = (1 - self.cosin_metric(latent_fake, latent_id)) * self.opt.lambda_id
        #print('=====================G_ID========================')
        #print(loss_G_ID)

        #G_Rec
        loss_G_Rec = self.criterionRec(img_fake, img_att) * self.opt.lambda_rec

        # Only return the fake_B image if necessary to save BW
        return [self.loss_filter(loss_G_GAN, loss_G_GAN_Feat, loss_G_VGG, loss_G_ID, loss_G_Rec, loss_D_GP, loss_D_real, loss_D_fake),
                img_fake]

这样出来应该是不合适的吧? 会导致RecLoss失效?
请问我的理解是对的吗?
再次感谢大佬的开源贡献

[iloveOREO]

不好意思, 是我理解错了, 这里的处理和offical的没有太大区别, offical在训练时有shuffle, 同样不会保证计算RecLoss的时候是完全相同的图