CRST: Confidence Regularized Self-Training 代码报错整理

任务描述：

跑一个对比实验，将原文中的数据集换成自己的数据集。dataloader也换成自己的。

---

错误1

model.to(device)

_has_compatible_shallow_copy_type(): argument 'from' (position 2) must be Tensor, not NoneType

解决方案：

model.cuda(device)

---

错误2

images, labels, _, _ = batch
images = images.to(device)

'str' object has no attribute 'to'

原因分析：

输出images还是images，没有装载batch里面的内容。以为是命名的原因，因为batch中不是images而是img，修改为img, labels, _, _ = batch依然不对。后又尝试了解压batch的操作发现并不是这个问题。后来看了一下原dataloade发现人家的batch是一个字典……

解决方案：

img = batch['img']

---

错误3

Given groups=1, weight of size [64, 3, 7, 7], expected input[1, 1, 288, 288] to have 3 channels, but got 1 channels instead

原因分析：

原模型处理的是彩色的自然图像，是3通道。但要处理的数据集是灰度图像，是1通道。所以比较简单的解决方法是把原来的单通道cat三份，成为三通道。

解决方案：

img = torch.cat((img, img, img),1)

---

错误4

1 only batches of spatial targets supported (3D tensors) but got targets of size: : [1, 12, 288, 288]

原因分析：

未更改代码中针对原数据集（GTA5）的参数。应在默认参数中修改为自己数据集的size。（NUM_CLASSES = 4：前景1，target domain3）

解决方案：

NUM_CLASSES = 4
INPUT_SIZE = '288,288'

---

错误5

module 'torchvision.transforms.functional' has no attribute 'interpolate'

解决方案：参考博客

image = F.interpolate(
改为
upsampleimage = nn.Upsample(
image = upsampleimage(image)