Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution
https://github.com/guoyongcs/DRN
环境搭建:
服务器：ubuntu1~18.04 Quadro RTX 5000 16G
CUDA版本 V10.0.130
conda create -n torch14 python=3.6.6
conda activate torch14
conda install pytorch==1.4.0 torchvision==0.5.0 cudatoolkit=10.0 -c pytorch
pip install opencv-python
pip install scipy
pip install thop
pip install scikit-image
pip install tqdm
目录结构：
数据集的准备：
训练集： DIV2K
测试集： benchmark datasets
预训练模型测试：
python main.py --data_dir dataset --save experiments --data_test Set5 --scale 4 --model DRN-L --pre_train pretrained_models/DRNL4x.pt --test_only --save_results
python main.py --data_dir dataset --save experiments --data_test Urban100 --scale 4 --model DRN-L --pre_train pretrained_models/DRNL4x.pt --test_only --save_results
模型训练：
单卡训练：
python main.py --data_dir dataset --data_train DIV2K --scale 4 --model DRN-S --batch_size 8 --save experiments 我这里只使用 DIV2K 作为训练集，因此自己 修改了 data目录下数据读取的 一些 路径信息，这个通过不断 打印输出，就可以找到正确的 路径设置；
双卡训练：
DRN-L 模型 16G 的 RTX 5000 单卡训练，最大 --batch_size 6
python main.py --data_dir dataset --data_train DIV2K --scale 4 --model DRN-L --batch_size 6 --save experiments --n_GPUs 1
python main.py --data_dir dataset --data_train DIV2K --scale 4 --model DRN-L --batch_size 12 --save experiments --n_GPUs 2
DRN-S 模型 ， 单卡训练，最大 --batch_size 12；双卡 则可以设为 24
python main.py --data_dir dataset --data_train DIV2K --scale 4 --model DRN-S --batch_size 24 --save experiments --n_GPUs 2
模型训练时长统计：
Quadro RTX 5000 16G 单卡训练
nohup python main.py --data_dir dataset --data_train DIV2K --scale 4 --model DRN-L --batch_size 6 --save experiments --n_GPUs 1 & 20小时 50 个epoch
报错相关总结：
报错一：
RuntimeError: CUDA out of memory. Tried to allocate 288.00 MiB (GPU 0; 15.75 GiB total capacity; 14.46 GiB already allocated; 271.00 MiB free; 14.76 GiB reserved in total by PyTorch) 分析：–batch_size 默认的32 太大了，我这里使用一块 16G 的 RTX 5000 ， –batch_size 4 是可以运行的,最小设置到 1 ；
本文地址：https://blog.csdn.net/sinat_28442665/article/details/108243157
