本文共 4766 字，大约阅读时间需要 15 分钟。

Here is the optimized and rewritten content based on your requirements:

���������������������������������������������1. ������ tensorboard ������������������   - activating virtual environment: source activate pytorch   - command: tensorboard --logdir tb_logger/ --port 6008   - browser access: http://172.20.36.203:6008/#scalars2. ������������������������   - OctaveConv ������ ResidualDenseBlock ���������     - ���������������������������������������     - ���������������������������     - ���������������������������   - ������������������������ 4 ������������������������������������������������������������������������������������```pythonclass OctaveConv(nn.Module):    def __init__(self, in_nc, out_nc, kernel_size, alpha=0.5, stride=1):        super().__init__()        self.h2g_pool = nn.AvgPool2d(kernel_size=(2, 2), stride=2)        self.h2g_pool2 = nn.AvgPool2d(kernel_size=(2, 2), stride=2)        self.upsample = nn.Upsample(scale_factor=4, mode='nearest')        # ������������������������        self.l2l = nn.Conv2d(int(alpha * in_nc), int(alpha * out_nc),                             kernel_size, 1, padding, dilation, groups, bias)        self.l2h = nn.Conv2d(int(alpha * in_nc), out_nc - int(alpha * out_nc),                            kernel_size, 1, padding, dilation, groups, bias)        self.h2l = nn.Conv2d(in_nc - int(alpha * in_nc), int(alpha * out_nc),                            kernel_size, 1, padding, dilation, groups, bias)        self.h2h = nn.Conv2d(in_nc - int(alpha * in_nc), out_nc -                             int(alpha * out_nc), kernel_size, 1, padding, dilation, groups, bias)        self.act = act('prelu') if act_type else None        self.norm_h = norm(norm_type, int(out_nc * (1 - alpha)))         self.norm_l = norm(norm_type, int(out_nc * alpha)) if norm_type else None

���������������������������

class OctaveConv(nn.Module):    def __init__(self, in_nc, out_nc, kernel_size, alpha=0.5, stride=1):        super().__init__()        self.h2g_pool = nn.AvgPool2d((2, 2), 2)        self.h2g_pool2 = nn.AvgPool2d((2, 2), 2)        self.h2g_pool3 = nn.AvgPool2d((2, 2), 2)        self.upsample = nn.Upsample(scale_factor=2, mode='nearest')        self.upsample2 = nn.Upsample(scale_factor=4, mode='nearest')        self.upsample3 = nn.Upsample(scale_factor=8, mode='nearest')        self.stride = stride                # ������������������        # ������������        self.h2h = nn.Conv2d(            input_shape=[int(alpha*(in_nc - int(alpha*in_nc))), out_nc - int(alpha*out_nc)],             output_shape=[int(alpha*(in_nc - int(alpha*in_nc))), out_nc],            kernel_size=1, padding=0, dilation=1, groups=1, bias=True)        # ���������������������        self.l12h = nn.Conv2d(            input_shape=[int(alpha*(in_nc - int(alpha*in_nc))), out_nc - int(alpha*out_nc)],             output_shape=[int(alpha*(in_nc - int(alpha*in_nc))), int(alpha*out_nc)],            kernel_size=1, padding=0, dilation=1, groups=1, bias=True)        # ������������������        self.l22h = nn.Conv2d(            input_shape=[int(alpha*in_nc), out_nc - int(alpha*out_nc)],            output_shape=[int(alpha*in_nc), out_nc],            kernel_size=1, padding=0, dilation=1, groups=1, bias=True)        self.l32h = nn.Conv2d(            input_shape=[int(alpha*in_nc), out_nc - int(alpha*out_nc)],            output_shape=[int(alpha*in_nc), int(alpha*out_nc)],            kernel_size=1, padding=0, dilation=1, groups=1, bias=True)                # ������������        self.h2l1 = nn.Conv2d(in_nc, out_nc, kernel_size=1, padding=0, dilation=1, groups=1, bias=True)        self.h2l2 = nn.Conv2d(in_nc, int(alpha*out_nc), kernel_size=1, padding=0, dilation=1, groups=1, bias=True)        self.h2l3 = nn.Conv2d(in_nc, int(alpha*out_nc), kernel_size=1, padding=0, dilation=1, groups=1, bias=True)                self.act = act('prelu') if act_type else None        self.norm_h = norm(norm_type, out_nc * (1 - alpha)) if norm_type else None        self.norm_l = norm(norm_type, out_nc * alpha) if norm_type else None

���������������������

���������������

python train.py -opt options/train/train_sr.json

���������������

• ������������ PyTorch ���������������������������������

  source activate pytorch

• ������ TensorBoard���

  tensorboard --logdir tb_logger/ --port 6008

• ������������������

  http://172.20.36.203:6008/#scalars

������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������