之前自學了有關影像超分辨處理方面的知識，這篇博文參考了這位博主的例子：博客地址，完整地跑了一下代碼，記錄一下自己的學習程序
工程檔案：壓縮包鏈接
提取碼：1111
1.建議新建一個專門的環境，之后的各種配置基于此環境（Python版本選擇3.6）
2.安裝CUDA
安裝之前，我們首先要確定本機是否有獨立顯卡，以win10為例，在控制面板\系統和安全\系統找到設備管理器下的顯示配接器中，查看是否有獨立顯卡，如下圖所示：
接下來就可以開始安裝cuda，打來官網：https://developer.nvidia.com/cuda-toolkit-archive，
由于需要適配Pytorch1.4，因此我們選擇CUDA Toolkit 10.1進行下載，并按以下配置下載到本地
雙擊安裝，可以改變解壓目錄（路徑最好不要有中文名），然后選擇默認安裝方式即
可，
測驗一下cuda是否安裝成功，打開cmd命令終端，然后輸入命令：nvcc -V
如下圖所示，安裝成功，
3.安裝cudnn
cudnn官網下載地址：https://developer.nvidia.com/cudnn
單擊Download Cudnn，注冊賬號后才能開始下載，之后選擇如下版本：
按自己系統選擇，我的是win10，所以選則如下圖：
下載之后，解壓縮，將CUDNN壓縮包里面的bin、clude、lib檔案直接復制到CUDA的安裝目錄下（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1），直接覆寫
安裝即可完成，
添加系統環境變數到path中：
C:\Program Files\NVIDIA Corporation\NVSMI
然后在Windows PowerShell終端中運行命令,可以查看GPU使用情況：
nvidia-smi
4.安裝pytorch
在anaconda中找到之前新建的環境，以環境名sr為例，打開命令列終端，輸入如下指令，開始安裝：
pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.html
后邊加阿里云鏡像源加速:
-i https://mirrors.aliyun.com/pypi/simple/
安裝完成后，驗證是否成功并且能夠成功呼叫cudnn，在該環境下（sr）,輸入python進入python環境，輸入命令，如下圖顯示版本號即pytorch安裝成功：
import torch
print(torch.__version__)
接著，驗證pytorch呼叫cuda是否正確，顯示為true即呼叫成功：
- 安裝cpu版tensorflow,利用tensorboard可視化運行結果
pip install tensorflow==2.1.0 -i https://mirrors.aliyun.com/pypi/simple/
- 安裝scikit-image（提供PSNR和SSIM的計算）
pip install scikit-image==0.16.2 -i https://mirrors.aliyun.com/pypi/simple/
至此，專案所需配置基本完成，
7. 下載專案工程檔案（COCO2014資料集因為有18個G左右，所以僅給出部分資料）
下載到本地后，打開Pycharm匯入工程檔案，然后選擇新建的python環境即可，如下圖所示：
- 專案組織架構
8.1專案根目錄下有8個.py檔案和3個檔案夾，下面對各個檔案和檔案夾進行簡單說明，
1） create_data_lists.py：生成資料串列，檢查資料集中的影像檔案尺寸，并將符合的影像檔案名寫入JSON檔案串列供后續Pytorch呼叫；
2） datasets.py：用于構建資料集加載器，主要沿用Pytorch標準資料加載器格式進行封裝；
3） models.py：模型結構檔案，存盤各個模型的結構定義；
4） utils.py：工具函式檔案，所有專案中涉及到的一些自定義函式均放置在該檔案中；
5） train_srresnet.py：用于訓練SRResNet演算法；
6） train_srgan.py：用于訓練SRGAN演算法；
7） eval.py：用于模型評估，主要以計算測驗集的PSNR和SSIM為主；
8） test.py：用于單張樣本測驗，運用訓練好的模型為單張影像進行超分重建；
9） data：用于存放訓練和測驗資料集以及檔案串列；
10） results：用于存放運行結果，包括訓練好的模型以及單張樣本測驗結果；
11） runs: 模型訓練程序中的各項指標記錄，可以作為資料檔案利用tensorboard來查看訓練結果，在程式運行的程序中可以再開一個終端運行下述命令：tensorboard --logdir runs，從而打開tensorboard監視器，打開后可以在瀏覽器中訪問：http://localhost:6006/ 來監視訓練結果，
8.2整個代碼運行順序如下：
1） 運行create_data_lists.py檔案用于為資料集生成檔案串列；
2） 運行train_srresnet.py進行SRResNet演算法訓練，訓練結束后在results檔案夾中會生成checkpoint_srresnet.pth模型檔案；(已經訓練完畢可以直接呼叫)
3） 運行eval.py檔案對測驗集進行評估，計算每個測驗集的平均PSNR、SSIM值；
4） 運行test.py檔案對results檔案夾下名為test.jpg的影像進行超分還原，還原結果存盤在results檔案夾下面；
5） 運行train_srgan.py檔案進行SRGAN演算法訓練，訓練結束后在results檔案夾中會生成checkpoint_srgan.pth模型檔案；(已經訓練完畢可以直接呼叫)
6） 修改并運行eval.py檔案對測驗集進行評估，計算每個測驗集的平均PSNR、SSIM值；·
7） 修改并運行test.py檔案對results檔案夾下名為test.jpg的影像進行超分還原，還原結果存盤在results檔案夾下面；
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/335332.html
標籤：其他
上一篇：cNN入門教程