复现DASR代码

目录

配置环境--准备工作：

训练：

更改文件：

开始训练：

测试：

由于个人精力有限，本篇文章知识简明扼要的根据自己踩过的坑进行总结复盘，内容中，我会阐述正确的做法，有问题可以留言欢迎一起讨论，但是踩过的坑在debug的时候就没有截图保存，所以不会图文并茂。

由于利用Anaconda安装环境时，实在是冗余的升级步骤太多（比如这个环境需要的python时3.6，但是在安装pytorch1.1.0时就会强制要求升级到3.7，不然就安装不了，二者不可兼得的状态），所以我舍弃了Anaconda，直接用virtualenv虚拟环境。

我用的是实验室服务器的虚拟环境(virtualenv)，根据源代码的实验环境要求，自己在虚拟环境中按照需要进行安装。该实验源码中写的是用GPU双卡训练，其中所需要的文件都是通过FileZilla上传的。

配置环境--准备工作：

首先利用virtualenv创建dasr文件夹，输入命令:virtualenv dasr

根据需要的python创建对应的虚拟环境：virtualenv -p /usr/bin/python3.6 dasr

激活环境：source dasr/bin/activate

此时已经进入环境，如果像判断python是否符合要求，可以命令行输入python查看其版本。

接下来安装其他所需要的包。

由于使用官网提供的pip3安装torch命令，会安装和cuda匹配版本的torch，所以此处不用此方式，（服务器的cuda=11.1，一般可以向下兼容，所以我安装了符合环境需要的10.0，具体根据下边链接自行查找)

而是通过https://download.pytorch.org/whl/torch_stable.html安装对应版本的whl文件，注意，以cu开头的是针对GPU的，有700多M，需要等待一会。

下载完文件之后就传到服务器上，之后进行安装:pip install xxx.whl

其余的包利用pip就轻松加愉快的很快装完，一般都是requirement already satisfied。

训练： 更改文件：

首先按照readme所说创建数据集：

dasr是我的虚拟环境文件夹，训练时在此环境下进行。DASR-main时源码，datasets时数据集，三个同级。

DF2K中原本是没有这个bin文件的，根据源码做法，

没有也会自动给你创建，不过在训练的导入工作时，可能需要点时间。

接下来更改main.sh、main.py和train.py文件。

main.sh:（注意这里只写到datasets即可，后边的DF2K/HR源码会自动给你补齐）

在Linux环境下，执行.sh文件时，#cmd /k需要删掉，否则会报错。

main.py和train.py：

由于是多卡训练，所以在这两个文件中都加上这样两句话：

import os

os.environ['CUDA_VISIBLE_DEVICES'] = "2,3"

注：2、3是我的服务器卡号

将 python3.6/lib/site-packages/numpy/lib/npyio.py 文件中的allow_pickle=False改成True,至于为什么默认会从True设置成False,个人想是安全性和跨平台存储的原因。为了加载对象数组，改为true。

开始训练：

在训练前，创建一个session对话，这样防止在关闭终端或者意外情况下终止训练。

 进入所创建的session后想要返回主终端，命令：CTRL+A+D

如果要杀掉session，则进入当前session后，执行exit命令。

在所创建的session中，激活dasr环境，进入到DASR-main目录下，执行：sh main.sh

测试：

实验进行了两个600epoch训练，一次是x2、x3、x4的超分，只用了各向同性高斯模糊核，没有叠加噪声，另一次是x4的超分，用各向异性高斯模糊核、噪声。跑了差不多四天。

训练的结果都保存在了experiment目录中，训练时没有PSNR、SSIM，测试的时候会保存。

没改实验默认的设置，一个测试是在大小为1.2的各向同性的高斯模糊上，set14，x2：32.374（论文：32.78）.另一个是在噪声为10的x4，各向异性高斯模糊上：25.395

以下是数据图：

 在quick_test上的测试：

原图：

X2 ：

X4：