No discriminator in the state-dict. Dicriminator will be randomly initialized load optimizer_a2kp failed, train it from scratch about eat_code

[YZX-codesky]

我根据代码观察，发现在提取mel时进行了裁剪，是不是每一个训练的视频数据都是裁剪成了时序长度为5的mel数据和imge数据，然后放入训练，实际训练的时候只是取了时序长度为5的视频长度部分，生成的generated["prediction"]也是5张图片，而并未使用整个视频。是这样吗? 🙏

[yuangan]

你好，这里的设置应该是为了兼容针对第一阶段的需要继续训练的情况，不会影响第二阶段的训练。a2kp的模型在emotion adaptation阶段因为加了一些EAM层，并只优化这些层，所以优化参数已经发生了改变，并不能用第一阶段的optimizer_a2kp，在这里是正常的。

[YZX-codesky]

你好，这里的设置应该是为了兼容针对第一阶段的需要继续训练的情况，不会影响第二阶段的训练。a2kp的模型在emotion adaptation阶段因为加了一些EAM层，并只优化这些层，所以优化参数已经发生了改变，并不能用第一阶段的optimizer_a2kp，在这里是正常的。

万分感谢你的耐心解答，关于数据中的x["mel"]和x["sync_mel"]有什么区别哇，为什么shape不一样，sync_mel是[1, 1, 80, 16]，mel是[1, 5, 1, 80, 11]，其中5表示的应该是同步步长吧，为什么mel里面就没有

[yuangan]

mel是语音的梅尔频谱，是网络的输入之一。sync_mel是用来计算sync loss的。sync_mel的形状原因可以查看wav2vec这篇论文及其代码。这个的实现可以参考这里的定义和使用.

[yuangan]

是的，因为用了wav2vec训出来的模型，为了计算sync_loss，需要一次生成5张图片，每张图片的生成又需要临近帧的特征，所以在这里提取mel时会有两重for循环。