从图像超分辨率快速入门pytorch

前言

最近又开始把pytorch拾起来，学习了github上一些项目之后，发现每个人都会用不同的方式来写深度学习的训练代码，而这些代码对于初学者来说是难以阅读的，因为关键和非关键代码糅杂在一起，让那些需要快速将代码跑起来的初学者摸不着头脑。

所以，本文打算从最基本的出发，只写关键代码，将完成一次深度学习训练需要哪些要素展现给各位初学者，以便你们能够快速上手。等到能够将自己的想法用最简洁的方式写出来并运行起来之后，再对自己的代码进行重构、扩展。我认为这种学习方式是较好的循序渐进的学习方式。

本文选择超分辨率作为入门案例，一是因为通过结合案例能够对训练中涉及到的东西有较好的体会，二是超分辨率是较为简单的任务，我们本次教程的目的是教会大家如何使用pytorch，所以不应该将难度设置在任务本身上。下面开始正文。。。

正文

单一图像超分辨率（SISR）

简单介绍一下图像超分辨率这一任务：超分辨率的任务就是将一张图像的尺寸放大并且要求失真越小越好，举例来说，我们需要将一张256*500的图像放大2倍，那么放大后的图像尺寸就应该是512*1000。用深度学习的方法，我们通常会先将图像缩小成原来的1/2，然后以原始图像作为标签，进行训练。训练的目标是让缩小后的图像放大2倍后与原图越近越好。所以通常会用L1或者L2作为损失函数。

训练4要素

一次训练要想完成，需要的要素我总结为4点：

• 网络模型
• 数据
• 损失函数
• 优化器

这4个对象都是一次训练必不可少的，通常情况下，需要我们自定义的是前两个：网络模型和数据，而后面两个较为统一，而且pytorch也提供了非常全面的实现供我们使用，它们分别在torch.nn包和torch.optim包下面，使用的时候可以到pytorch官网进行查看，后面我们用到的时候还会再次说明。

网络模型

在网络模型和数据两个当中，网络模型是比较简单的，数据加载稍微麻烦些。我们先来看网络模型的定义。自定义的网络模型都必须继承torch.nn.Module这个类，里面有两个方法需要重写：初始化方法__init__(self)和forward(self, *input)方法。在初始化方法中一般要写我们需要哪些层（卷积层、全连接层等），而在forward方法中我们需要写这些层的连接方式。举一个通俗的例子，搭积木需要一个个的积木块，这些积木块放在__init__方法中，而规定将这些积木块如何连接起来则是靠forward方法中的内容。

import torch.nn as nn
import torch.nn.functional as F


class VDSR(nn.Module):

    def __init__(self):
        super(VDSR, self).__init__()
        self.conv1 = nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv2 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv3 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv4 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv5 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv6 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv7 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv8 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.conv9 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=True)
        self.