本文共 4560 字，大约阅读时间需要 15 分钟。

一、参考资料汇总

2. 在选择学习方向时看到过的方法或代码
   2-1.
     
   2-2.
   2-3.
   2-4.

二、准备工作

Anaconda的安装

1. 需要注意的点：
    1-1. 没有代理的情况下官网下载很慢，可以去下载Anaconda安装包。
    1-2. 若先安装Python再安装Anaconda，安装选项中的Just Me/All Users应选择一致，否则可能会出现问题。
    1-3. 由于默认不勾选添加环境变量，在Anaconda安装完成后，需要手动将Anaconda目录、Anaconda目录下的Scripts目录、Anaconda目录下的Library/bin目录添加至环境变量。环境变量添加路径：右击我的电脑>>属性>>高级系统设置>>环境变量>>编辑用户变量(Just Me)/系统变量(All Users)，依次添加即可。
    1-4. 添加清华conda镜像源的方法(永久添加)：
    无需激活环境，运行以下命令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --set show_channel_urls yes

   附注：；。

   1-5. 添加清华pip镜像源的方法(临时添加，且可能不成功)：

pip install [要装的库名] -i https://pypi.tuna.tsinghua.edu.cn/simple

   如果不成功，可以试试执行以下命令：

pip install [要装的库名] -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn pymysql

   1-6. 安装中可能出现的问题：

    1-6-1. 不装python，直接装Anaconda可能遇到的报错及解决方式：     遇到这个警告需要激活环境。     若在激活环境中继续报错：     那么运行以下命令：

conda init

    然后关闭cmd重开，运行以下命令：

conda activate [Anaconda目录]

    其中[Anaconda目录]是Anaconda的安装目录。报错即解决。

    1-6-2. 从外网下载库时遇到超时报错，可以设置超时时间：

pip --default-timeout=100 install -U [要装的库名]

    另，这条指令我没验证过，但执行不会报错。

  2.

  我用的软件是Spyder，基本没太看这篇博文，但可以作为参考。   3.

CUDA与cuDNN的安装

 

     验证成功：  

pytorch的安装

 

 进去之后直接根据情况选择后生成命令，复制命令去cmd运行即可。  验证成功：  另，如果用官网给的命令安装太慢，可以去掉末尾的 -c pytorch，这是路径。  以及我当时使用的安装命令为

conda install pytorch torchvision cudatoolkit

 虽然没有指明版本，但最后使用时没有出错。

   

三、程序学习

1. 学习程序的选定
    最终我选择了EdgeConnect即使用对抗边缘学习进行生成图像修复的方法进行学习。
    
    
2. 生成对抗网络GAN的学习
    
    
    
3. 安装程序所需依赖文件
    
    要注意的是，conda似乎不识别“~=”这个符号，要用conda命令安装依赖文件只能手动把所有~=都改成=或者用pip命令安装(我采用的方法)。
    此外，用pip安装对应依赖的时候我因为下载速度太慢出过一些奇怪的问题，如：

Building wheel for XXX (setup.py) … error

Command errored out with exit status 1:

…

   (XXX为安装的包名)

   由于下载速度过慢产生的一系列问题有两种解决办法。

   一是直接从把对应的包下下来，用cd进入下载文件的对应路径，用pip install命令直接安装对应的.whl文件。    如图所示：    这里要注意的是安装的顺序。如安装scipy、scikit需先安装numpy+mkl，因为scipy和scikit-image、scikit-learn等都是依赖于numpy+mkl这个库。    二是对pip进行代理设置。指令如下：

pip install XXX --proxy="http":"IP地址:端口号"

   (XXX为需要安装的包名)

   查找本机IP地址和端口号的方法：    进入ie浏览器>>右击最上方空白边栏打开菜单栏>>工具>>Internet选项>>连接>>局域网设置>>代理服务器里面有地址和端口号    另，要采用这种方法必须是有代理的，即已经搭建过ladder…    此外，在这里要注意一下，EdgeConnect对python、tensorflow和numpy的版本有严格要求，当时我没注意直接用的python3.7，导致numpy版本过高，无法满足scipy的安装要求。但与此同时，适应高版本numpy的scipy因为去掉了某个库所以无法运行EdgeConnect程序，我最后是安装了scipy=1.4.1，没有把python卸了重装，刚好满足numpy和程序库的要求… 太惊险了，下次再跑这个程序应该装低版本的python，特此记录。    以及，如果不慎装了高版本的python，在安装依赖时直接去掉scipy，装完之后再安装scipy=1.4.1就可以了。    反正好像那个库可以有替代物，但我太菜了没法自己写，所以没有往那边探究。    另，在折腾卸库的时候如果出现“[WinError 5]拒绝访问”的问题，可以在指令后加上“–user”把权限提上去。    最后，能用pip还是用pip比较好，至少不用手动安装前置的包，会自动检测安装条件。  4. 训练/验证/测试文件集的下载和整理    该项目采用的是公开数据集。    因为我在自己电脑上跑，所以根本没考虑高分辨率即蓝框内容，下的是小图即红框内容。要跑出来的模型精度高的话自然建议蓝框。    那时候我也还没能搭好ladder，是请朋友帮我下好了之后我再解压整合的，一把辛酸泪。没什么用的解压纪念如下：

   最终的数据集大小和文件个数如下：

 5. 遮罩文件的下载和整理    该程序中提供的遮罩程序地址是，但我使用时发现他少一个关键的包mask_generator，且这个包并不是常规可以用过pip命令下载下来的。    我找不到这个包，只能放弃使用这个不规则遮罩程序，转而，这也是EdgeConnect里提供的遮罩下载办法。    下下来之后是这个样子的：  6. 把各种数据集准备好之后，其实到这一步程序已经可以运行了，但因为是在Windows上跑，所以还要修改一个参数，否则会报错： 解决这个问题我参考了，在此程序中应当改的是这个位置： 将num_workers改成0即可。  7. 关于开始训练模型之前的传参  我参考了。  具体来说，spyder里传入可变参数(命令行参数)的方法是：  运行>>单文件配置>>一般设置>>命令行选项>>输入格式是：–可变参数 参数值  例如，我在运行flist.py文件生成文件集列表时，传入的参数是：

--path J:\python\data_set\train_256 --output J:\python\file_list\train_list

 其含义为：将path指向路径下的所有图片文件(包括子文件夹里的内容)名称和路径取出，生成的列表文件train_list存储在output指向的路径中。

 开始训练模型之前，要分别生成9个flist文件，并将其分别存入这些文件夹中：  8. 模型训练时传入的参数：

--model 1 --checkpoints J:\python\temp\airfield

 即在训练模式下，使用airfield文件夹内的数据集进行训练。

 这些参数在ReadMe里讲得很详细，可以对照着往里传，这里不再举例。  在这里我其实出现了硬件问题：  电脑显存不足。这个完全没办法，我后来租了个RTX 2080Ti勉强跑了下来，不过Windows下果然限制还是颇多，以后有机会试试在Linux下用多台GPU联跑，速度应该会快很多。  我使用的GPU参数如下：  然后程序就成功开始跑了：  参数含义：  ETA：预计还有多长时间训练完毕  epoch：所有的数据遍历次数  iter：batchsize输入网络次数   关系：(iter*batchsize)/sum_photos=epoch  precision：精确率（从预测结果角度看，有多少预测是准确的）  recall：召回率（确定了正类被预测为正类图片占所有标注图片的个数）   precision与recall都是越高越好   precision与recall的解释在

 9. 由于时间原因，我无法跑完整个训练过程(预计耗时一个月)，所以只能通过更改最大遍历次数的办法来提前中断训练，得到的模型效果很差，还不如原程序给的ReadMe直观。

 修改位置：  我最后得到的测试结果：  参数含义：  psnr：峰值信噪比  mae：平均绝对误差  显然，结果并不尽如人意。

四、总结

综上所述，可以把跑程序的过程大概归纳为以下几个步骤(指令)：

conda create -n XXX python=3.7 1.pip install -r requirements.txt --proxy=“http”:“127.0.0.1:25378” 2.pip install scipy==1.2.1 --proxy=“http”:“127.0.0.1:25378” 3.pip install torch-1.4.0-cp37-cp37m-win_amd64.whl 4.spyder 5.C:\Users\xdtech/.torch\models 6.–model 1 --checkpoints M:\auto_upload_20200407225024\20200407\temp\airfield 7.pip install torchvision --proxy=“http”:“127.0.0.1:25378” 8.pip install -U numpy --proxy=“http”:“127.0.0.1:25378” 代理十分有必要，GPU影响也十分重大。虽然磕磕巴巴把程序跑了出来，但最后的效果并不理想，以后如果有机会再跑一次，或许能得到不错的成果。

转载地址：https://blog.csdn.net/Silenor/article/details/108325600 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！