深度学习或者机器学习中baseline的指标

首先:baseline就是参照物的意思,然后目前就是有一下几种情况：

（1）看情况，如果复现的实验条件都和原论文一样，这种情况下其实没有必要去复现一遍，使用原论文里的指标就可以，这种情况对应的改低指标，就是学术造假。

（2）另一种情况是，用了baseline的模型，要么因为baseline论文没有给出某些设置的细节，要么因为特殊原因要改动一下实现方法。比如里面某个初始化，或者网络的某个细节做了变化，或者数据集不一样，数据集处理方式不一样。这种情况，低指标很有可能就是复现的结果，只是为了对比提出来的新方法，控制了变量的结果。

（3）你写论文的时候肯定是看过一些新模型了。你在和别人的模型做对比的时候，需要考虑一个数据问题。如果应用场景都一样，都是同样的公开的数据，你可以直接把他们的结果搬过来做基线准确度。另外，你也可以跑一下他们模型，验证一下他们的准确度是否真的有这么高。如果数据有变化的话，可以在新数据上尝试跑别人的模型，用新的预测准确度做基线

然后就是深度学习论文中如何调参数：

问题就在于你使用的是你自己的数据集。

公开的经典数据集的baseline很容易找到，这不用说。或者你的数据集之前有人用过并发表过论文，那就可以直接拿来做baseline。

baseline在论文中就是对比效果用的。比如你用了什么什么方法之后效果比baseline好了多少，说明你的方法有用。例如，你提出了一个新的模型。在这时候要权衡你的输入维度规模和模型参数量，baseline模型要选多个经典的，尽可能少修改核心结构。你可以选resnet，densenet，可以修改一下层数和block数。训练策略方面要一致。例如：你说你的模型比resnet好，结果baseline却把resnet的核心结构改的面目全非，别人都不认可你这个baseline叫resnet，那自然是不行的。

其实，如果你的数据集是私人的，之前没有人用他发表过论文，这baseline完全就是自己选，你就把解决你这个问题的最简单的，最朴素的，最容易理解的，没有其他什么trick的，谁都可以想到的方法来做baseline。例如，我这是一个图像分类的任务，我直接上resnet18训练。

数据集可能不同，但任务的类型很有可能是相同的，找一找点相同任务类型的别的方法。例如图像分类，pix2pix等。