ICANN备稿时debug遇到的问题

环境
环境一开始是裸的，通过几个判断：

1. 前面没有base
2. 没有文件夹conda or miniconda

要装conda的话直接跟着这个教程就行。
https://zhuanlan.zhihu.com/p/397096022

包问题
4. 装包：先用fastai
5. 出现单击没有跳转的情况：安装pylance即可
6. 出现了用pip3 uninstall后pip3 list还有原来的numpy，然后用conda uninstall之后就行了。pip, pip3, conda这几个来回用。
精度问题
打印tensor数组自动保留后四位：
是精度缩减了吗？其实是因为print访问的为_str_方法打印出来的小数只有四位，用torch.set_printoptions(precision=15)(设置小数精度显示）即可显示原来数据。
visio图片转PDF
overleaf插入去白边的Visio图：
https://www.cnblogs.com/doubleyue/p/15684697.html
如果使用visio，在保存为PDF图片时候点下选项，把打钩的都不选就好了

保存latest和best model函数

def main(
        if valid_loss < best_loss:
            is_best = True
            best_epoch = epoch

        best_prec = min(valid_loss,best_loss)
        save_checkpoint({
            'epoch': epoch + 1,
            'state_dict': model.state_dict(),
            'best_prec': best_prec,
            'optimizer': optimizer.state_dict(),
        }, is_best, fdir)
        
def save_checkpoint(state, is_best, fdir):
    filepath = os.path.join(fdir, 'checkpoint.pth')
    torch.save(state, filepath) # latest
    if is_best: # best
        shutil.copyfile(filepath, os.path.join(fdir, 'model_best.pth.tar'))

extra_repr
extra_repr 是 Python 中一种特殊的方法。在 PyTorch 中，它通常用于自定义类的字符串表示形式，特别是在打印对象时。当你使用 print 函数打印一个对象时，Python 会调用该对象的 str 方法来生成可读的字符串表示形式。但是，有时 str 方法可能不够详细或不够清晰，这时可以定义 extra_repr 方法来提供额外的信息。当你使用 print 函数打印对象时，Python 会检查是否定义了 extra_repr 方法，如果定义了，则会使用该方法返回的字符串来丰富对象的字符串表示形式。
return -> str一定要return的是string
例子：

class QuantReLU(nn.ReLU):
    def __init__(self, inplace: bool = False):
        super(QuantReLU, self).__init__(inplace)
	def extra_repr(self) -> str:
   		return 'clipping threshold activation alpha: {:.3f}'.format(self.act_alpha)

当你print(QuantReLU)或者print的model里面含有他时，会输出：

Dummy(
(block): Sequential(
(0): Conv1d(12, 16, kernel_size=(5,), stride=(3,))
(1): QuantReLU(clipping threshold activation alpha: 7.832)
)
)

关于torch.size()：
1.相加操作要掌握

import torch

size1 = torch.Size([3, 4])
size2 = torch.Size([5, 6, 7])

# 将 size1 和 size2 进行相加操作
result_size = size1 + size2

print(result_size)  # 输出: torch.Size([3, 4, 5, 6, 7])

2..shape返回的是torch.size()类型。
综合上述两点就可以写出以下代码：

spike_train = torch.zeros(membrane.shape[:1] + torch.Size([self.T]) + membrane.shape[1:],device=membrane.device)

state_dict
model.state_dict() 返回的是模型的参数字典，其中键是参数的名称，值是参数的张量
state_dict.pop(k) 是 Python 字典（dictionary）的一个方法，用于移除字典中键为 k 的项，并返回该项的值。

for key in checkpoint:
    print(key, checkpoint[key].shape)
for key in model.state_dict():
    print(key, model.state_dict()[key].size() or .shape)
    # 在 PyTorch 中，.size() 和 .shape 是等价的，两者都可以用于获取张量的形状信息。
    
#conv1.weight 	 torch.Size([6, 3, 5, 5])
#conv1.bias 	 torch.Size([6])

原来是用的relu.thresh
要改成relu.up

keys = list(checkpoint.keys())
for key in keys:
   if 'thresh' in key:
       checkpoint[key[:-6] + 'up'] = checkpoint.pop(key)

state_dict.pop(k) 是 Python 字典（dictionary）的一个方法，用于移除字典中键为 k 的项，并返回该项的值。
由于在 Python 中字典的迭代器在遍历时不允许修改字典的结构，所以必须用keys来作为迭代。
例子二：

#Remove DataParallel wrapper 'module' 
for name in list(checkpoint['state_dict'].keys()):
    checkpoint['state_dict'][name[7:]] = checkpoint['state_dict'].pop(name)

torch.optim模块中的Optimizer优化器对象也存在一个state_dict对象，此处的state_dict字典对象包含state和param_groups的字典对象

for var_name in optimizer.state_dict():
        print(var_name,'\t',optimizer.state_dict()[var_name])
输出：
state 	 {}
param_groups 	 [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [367949288, 367949432, 376459056, 381121808, 381121952, 381122024, 381121880, 381122168, 381122096, 381122312]}]    

网络，对不同网络层的操作
虽然表面上是说对网络以及网络层的操作，但本质上是对象和索引对象属性的问题。
有一些内置函数用来索引到对象属性：
内置函数: getattr(), setattr()

value = getattr(obj, 'attr') 
setattr(obj, 'attr', 42)

e.g.: 用于遍历索引到对象属性。

    for i in range(2, num_layers + 1):
        getattr(model, 'layer' + str(i)).idem = True
        getattr(snn, 'layer' + str(i)).idem = True

当没有sequential时：
print(net.fc2)
有sequential时：
print(net.fc[2])

梯度
torch.clamp是有梯度的，只有round函数需要单独考虑梯度（即写backward function）

round的梯度是和clip一样的。他俩都是treats the quantization and de-quantization function as if it were identity function in the clipping range and constant function outside the clipping range.

grad只要不低到0都是可以的,1e-4,1e-5，也会更新。lr * grad
alpha_new = alpha_old - learning_rate * grad_alpha

Bug
因为不懂optimizer原理犯的错误：
optimizer一定要在model settled 好之后再调用，因为有model.parameters()作为参数
这下对整个梯度的从开始到更新一轮应该比较了解了：

final_model #需要梯度的用parameter或tensor（require_grad）
optimizer = optim.Adam(final_model.parameters(), lr=0.0001)
model.train()
optimizer.zero_grad() #把optimizer存的grad清空
loss.backward() # 根据模型输出的损失值计算梯度。它会自动地沿着网络的参数计算梯度，并将梯度存储在参数的.grad属性中
nn.utils.clip_grad_norm_(model.parameters(), max_norm=10) # 会计算所有参数的梯度的范数，并根据指定的max_norm进行裁剪
optimizer.step() # 这一步是利用优化器来更新模型的参数。优化器根据梯度和指定的优化算法（如SGD、Adam等）来更新模型参数。它会使用loss.backward()计算得到的梯度来更新模型参数，通常使用学习率和其他超参数来控制更新的步长和方向。

优化器在训练过程中会存储并使用梯度来更新模型参数。每次调用optimizer.step()时，优化器会使用之前存储的梯度信息来更新模型参数。

0-d tensor 就是 scalar，不能输出他的shape

UserWarning: Detected call of lr_scheduler.step() before optimizer.step().

#scheduler.step() 不要放在这
train_acc, trian_loss= train_one_epoch(args, model, dset, optimizer, data_loader, epoch)
scheduler.step()

Loss
分类问题就无脑CE，比MSE要好。
nn.CrossEntropyLoss()=nn.LogSoftmax()+nn.NLLLoss().

optimizer
要手动将load下来的参数放到GPU上。

optimizer.load_state_dict(checkpoint['optimizer'])
for state in optimizer.state.values():
	for k, v in state.items():
		if isinstance(v, torch.Tensor):
			state[k] = v.cuda()

调整lr模板：

def adjust_learning_rate(optimizer, epoch, lr):
    lr *= (0.1 ** (epoch // 60))
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

Test是否work：

for epoch in range(start_epoch, args.epoch):
        adjust_learning_rate(optimizer, epoch, args.lr)
        lr = optimizer.param_groups[0]['lr']
        # print(lr)