去雨去雪去雾算法本地实验速度对比

在进行去雨去雪去雾算法的实验过程中，博主使用自己的电脑进行实验，尽管能够成功运行，但速度却属实不尽人意，博主的笔记本显卡是GTX960，显存为4G，在进行实验的过程中，batch-size只能设置为3，好在实验的去噪类型也就只与三种，否则这实验根本无法进行，于是，便萌生了更换笔记本的念头，那么在更换前，就要先做下相关实验，看看性能能够提升多少。

首先记录一下博主在GTX960M上的实验情况：

GTX960M实验情况

显存占用

实验用时

训练一个epoch的实验用时：

可以看到时间大约在15分钟左右。

每训练5个epoch进行一次评估：

属实是太慢了,用时31分钟，而且从结果来看，PSNR与SSIM竟然有些许差距，这才是最严重的，当然这并不是最终结果。

RTX3070实验情况

博主的实验配置为GTX3070（笔记本的哈），显存为8G。那么博主的batch-size就可以调大了，先前在GTX960M时的batch-size为3，若是调整为4则会提示算力不足，而在这里可以将其设置的更大，博主设置batch-size=6。

显存占用

batch-size=6时的显存占用情况：

实验用时

训练一个epoch的实验用时：

评估一个epoch的时间：用时不到6分钟，相比GTX960提升简直不要太大。

RTX 4060

博主换新电脑了，使用的是CPU为i713700H，显卡为RTX4060 8G显存，从任务管理器来看，此时的CPU的使用率很低，倒是内存占用率较高，此时博主将batch-size设置为8。

显存占用

batch-size=8 时的显存占用情况：

实验用时

训练一个epoch的实验用时，可以看到此时batch-size=8时，其用时较3070还多了30秒。

随后博主开启野兽模式，将性能拉满，轰鸣声响起

此时的训练用时：可以看到此时的用时直接提升了1分钟，还是蛮明显的。

随后博主将batch-szie设置为6，此时的使用情况：

显存占用

batch-size=6时的显存占用情况：

实验用时

可以看到，此时将batch-size设置为6后的实验用时反而下降了，而且此时博主使用的还是均衡模式。

评估一个epoch的时间：用时大约 8 分钟，当然这个时候是均衡模式下的结果，此时较3070还是有些差距，但当开启野兽模式后，这个结果就很接近了。

评估用时，将模型移到CUDA后，速度极大提升。

总结：
这里不得不说拯救者表现还是蛮不错的，在均衡模式下的风扇声音很小，点个赞！！！！而在使用3070卡时的风扇声音实在吓人，而当拯救者开启狂暴模式的性能直追3070，并且噪声较小。

此外，在运行时出现问题：

untimeWarning: invalid value encountered in scalar divide
  ret = ret.dtype.type(ret / rcount)
NaN or Inf found in input tensor.

这可能是在使用numpy时出现了0除以0的情况造成的。
找到报错的地方，加上下面这句：

import numpy as np
np.seterr(divide='ignore',invalid='ignore')

关于num_workers

此外，值得注意的是，这里的num_workers博主设置为0，因为先前在服务器上运行时发现num_workers不为0的话会报错，这是程序的问题了，为了避免意外，还是老老实实的设置为0吧。

1. GPU是由CPU发送指令和数据来执行计算任务的。在GPU中，线程是由CPU分配的，并且从CPU获取它们需要处理的数据。GPU本身没有能力添加线程或获取数据，它只能按照CPU给定的指令和数据执行计算任务。因此，送数据是由CPU的主线程负责送的。
   2.num_workers=0，CPU不分配额外线程，只有一个主线程，负责将数据送到RAM后再将数据送到GPU.
   3.num_works=1时，CPU分配一个单独线程专门负责将数据送到RAM，主线程专门负责将数据送到GPU

尽管将其设置的大一些可以提高，但按理说这种情况是不该出现的，这本身就是数据集加载时的问题，因此为了实验严谨，博主在3070的那台电脑上进行了实验，博主首先将num_workers设置为1。