回顾本科毕设内容【运行的代码参数】，用惯了PyTorch环境，结果用tensorflow环境一直出错，没错，本篇博客就是记录用tensorflow的错（自用！）

一、报错记录

最终的解决方法：在Autodl上直接配置了一个tensorflow=2.4.0基础环境，然后上传代码运行的。运行参数参见第二部分。

1. 报错 Process finished with exit code -1073740791 (0xC0000409)

• 报错Process finished with exit code -1073740791 (0xC0000409)
• 先参考这个链接，使得能打印出报错原因：Process finished with exit code -1073740791 (0xC0000409)解决方法（就是配置一下，打开Emulate terminal in output console，输出控制台中的模拟终端）

出现了报错2😢

2. 报错 Could not locate zlibwapi.dll. Please make sure it is in your library path!

• 报错Could not locate zlibwapi.dll. Please make sure it is in your library path!
• 参考链接：tensorflow出现报错： Could not locate zlibwapi.dll或者Could not load library cudnn_cnn_infer64_8.dll.

参考了这个步骤：（下载链接：https://www.dll-files.com/zlibwapi.dll.html）

出现了报错3😢

评论区还有一个方法，但是没看懂，就没试：

3. 报错 Could not load library cudnn_cnn_infer64_8.dll. Error code 193

• 报错 Could not load library cudnn_cnn_infer64_8.dll. Error code 193
• 参考链接：Could not load library cudnn_cnn_infer64_8.dll. Error code 126

点击进行官方网址，直接定位到了zLibDll的位置：https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#install-zlib-windows

下面为中文翻译：

4. 报错 Resource exhausted: failed to allocate memory

• 报错Resource exhausted: failed to allocate memory
• 参考链接：tf2.6 OOM：tensorflow/core/framework/op_kernel.cc:1680 Resource exhausted: failed to allocate memory

然后还是没有解决。应该就是显存太小了。所以就还是放到AutoDL上跑代码了。

二、运行参数记录

由始至终都是只需要调用文件pix2pix_spade_resnet_v2.py，关于模型的构建、数据的加载方式等，都在这一个文件中。

1. mode=train，即进行训练

其实对照着参数列表，慢慢设置就可以了。但是要注意一下：

• --mode：有3种方式choices=["train", "test", "export"]，分别用来表示用于训练、测试、导出
• --output_dir：表示本次训练or测试的权重等结果保存的位置
• --checkpoint：默认是为None，如果指定了checkpoint目录位置，则1）配合着mode=train就是断点训练，2）配合着mode=test就是进行测试
• --batch_size：在AutoDL中可以设置到32，在本地上根本跑不起来
• 🍅--which_direction：这是重点，在我的训练中，是需要指定方向为BtoA才行，否则在训练到200轮左右就会开始梯度爆炸，即所有loss都呈现nan。

在AutoDL中用于train的命令：

先进入到base或者tensorflow虚拟环境。因为我默认选择的base就是tensorflow=2.5.0的环境，然后还自己又创建了一个新的tensorflow=2.4.0环境。

一直cd进入到code目录下，输入以下命令：

（目前就只是设置了这些命令，可以在后面再试一下其他的命令，调下参）

python pix2pix_spade_resnet_v2.py --input_dir ../dataset/train --mode train --output_dir ../checkpoint --max_epochs 300 --batch-size  32 --which_direction BtoA

2. mode=test，即进行测试

命令行中的--checkpoint使用于指明希望使用那个文件夹下的权重文件，可不要指示错了！--batch_size和--which_direction我不清楚是否需要设置得与train一致，但是我还是保持的跟train一致。

python pix2pix_spade_resnet_v2.py --input_dir ../dataset/test --mode test --output_dir ../checkpoint --batch-size  32 --which_direction BtoA