好像有一个bug？

[Wangpeiyi9979]

我好像发现了一个bug

这里好像不应该用一个transpose，因为SVD分解出来的vh=B x emb_dim x emb_dim,(_, s, vh = torch.svd(error_every_class, some=False), 每一个batch，其实它的列向量才是空间的基， 你这里好像把行向量作为空间的基了，这样求得的M，最后拿来投影error时(测试M能否把error投影到新空间中的0)
assert (torch.matmul(error_every_class, M) > 1E-6).sum().item() == 0时会报错，
如果把转置去掉就不会了

[Wangpeiyi9979]

[laiyongkui1997]

感谢您的细心指正。

（1）在TapNet原文中，采用的是cupy.linalg库中的svd，在该svd中，u * s * v = svd(A)，返回的v其实是转置之后的结果，因此它的基向量是行向量。而在PyTorch库中的svd中，u * s * v^T = svd(A)，其返回的仍是v，但是与cupy.linalg中svd返回的v不同，它未经过转置，因此它的列向量才是基向量。十分抱歉，未能察觉到这两个库实现的差异。

（2）在修正之后，我们进行了一个初步的实验。correct_svd的实验结果相比于当前会有所降低。虽然TapNet不是我们文章的核心贡献，但是这是一个有趣的现象，也是一个值得去探索的点。

（3）我们创建了一个correct_svd分支，并将修正后的代码同步到该分支里了，也欢迎您继续指正。

[Wangpeiyi9979]

我在一些数据集上测试了TapNet, 比如FewRel，发现它并没有什么用，甚至会造成结果下降，而且个人感觉TapNet本身的思想就有点奇怪。也许是自己认识不足吧。thx

[AtmaHou]

我在一些数据集上测试了TapNet, 比如FewRel，发现它并没有什么用，甚至会造成结果下降，而且个人感觉TapNet本身的思想就有点奇怪。也许是自己认识不足吧。thx

我个人感觉你的个人感觉可能很有道理233
所以建议在别的数据集上使用的话，最好直接用我们的CDT模块、Pair-wise Trick和 Label Name Embedding，这几个tricks还是提升明显的~