GaitSet在Windows下配置到跑通的全过程记录

1、HelloWorld

最近有同学课设做的深度学习，但是他并不了解，所以我来帮他一起弄
我对GaitSet具体算法内容不了解，只参与了环境搭建和改一些简单bug的过程
在debug的过程中遇到了一些问题，现已全部解决并完美训练测试结束。
为了记录下收获，同时液能帮助到遇到同样问题的朋友，趁没忘赶紧写下这篇博文

我们使用的硬件配置为英伟达1660，i5处理器，16G内存
OS为Windows10，IDE为Pycharm 2020 社区版

2、环境搭建

    CUDA、CuDnn、Pytorch都是和GitHub上作者给的版本一样
	首先安装CUDA9.0，CuDnn7.0
	然后在清华镜像源下安装anaconda，然后使用conda安装pytorch
	这些流程都是固定套路，网上都有，也没有什么很复杂的地方，我就不写了
	数据集的来源是[这里]()，也是GitHub作者指定的

3、开始DEBUG

3、1 首先是图像预处理部分的问题

在GitHub上原作者给出的pretreatment.py代码是有些问题的，运行后只会生成相应文件夹但是不会有相应的图片出现，后来我们在网上找到了可以替代的预处理代码，代码中有一些小错误，经修正后确认可用，可以替代原作者的pretreatment.py代码
修正后代码如下：

'''
import os
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

def cut_image(path,cut_path,size):
    '''
    剪切图片
    :param path: 输入图片路径
    :param cut_path: 剪切图片后的输出路径
    :param size: 要剪切的图片大小
    :return:
    '''
    for (root,dirs,files) in os.walk(path):
        temp = root.replace(path,cut_path)
        if not os.path.exists(temp):
            os.makedirs(temp)
        for file in files:
            image,flag = cut(Image.open(os.path.join(root,file)))
            if not flag: Image.fromarray(image).convert('L').resize((size,size)).save(os.path.join(temp,file))

    pass

def cut(image):
    '''
    通过找到人的最小最大高度与宽度把人的轮廓分割出来，、
    因为原始轮廓图为二值图，因此头顶为将二值图像列相加后，形成一列后第一个像素值不为0的索引。
    同理脚底为形成一列后最后一个像素值不为0的索引。
    人的宽度也同理。
    :param image: 需要裁剪的图片 N*M的矩阵
    :return: temp:裁剪后的图片 size*size的矩阵。flag：是否是符合要求的图片
    '''
    image = np.array(image)

    # 找到人的最小最大高度与宽度
    height_min = (image.sum(axis=1)!=0).argmax()
    height_max = ((image.sum(axis=1)!=0).cumsum()).argmax()
    width_min = (image.sum(axis=0)!=0).argmax()
    width_max = ((image.sum(axis=0)!=0).cumsum()).argmax()
    head_top = image[height_min,:].argmax()
    # 设置切割后图片的大小，为size*size，因为人的高一般都会大于宽
    size=height_max-height_min
    temp = np.zeros((size,size))

    # 将width_max-width_min（宽）乘height_max-height_min（高，szie）的人的轮廓图，放在size*size的图片中央
    # l = (width_max-width_min)//2
    # r = width_max-width_min-l
    # 以头为中心，将将width_max-width_min（宽）乘height_max-height_min（高，szie）的人的轮廓图，放在size*size的图片中央
    l1 = head_top-width_min
    r1 = width_max-head_top
    # 若宽大于高，或头的左侧或右侧身子比要生成图片的一般要大。则此图片为不符合要求的图片
    flag = False
    if size<=width_max-width_min or size//2<r1 or size//2<l1:
        flag = True
        return temp,flag
    # centroid = np.array([(width_max+width_min)/2,(height_max+height_min)/2],dtype='int')
    temp[:,(size//2-l1):(size//2+r1)] = image[height_min:height_max,width_min:width_max ]

    return temp,flag

def GEI(cut_path,data_path,size):
    '''
    生成步态能量图
    :param cut_path: 剪切后的图片路径
    :param data_path: 生成图片的路径
    :param size: 生成能量图大小
    :return:
    '''
    for (root,dirs,files) in os.walk(cut_path):
        temp = root.replace(cut_path,data_path)
        if not os.path.exists(temp):
            os.makedirs(temp)
        GEI = np.zeros([size,size])
        if len(files)!=0:
            for file in files:
                GEI += Image.open(os.path.join(root,file)).convert('L')
            GEI /= len(files)
            Image.fromarray(GEI).convert('L').resize((size,size)).save(os.path.join(temp,'1.png'))
    pass


if __name__=='__main__':
    cut_image("C:\\Users\\China\\Desktop\\GaitDatas","C:\\Users\\China\\Desktop\\CutImage",126)
    GEI("C:\\Users\\China\\Desktop\\CutImage","C:\\Users\\China\\Desktop\\GEIData",126) 

ValueError: Object arrays cannot be loaded when allow_pickle=False

  报错原因:自Numpy 1.16.3版本发行之后，函数 numpy.load() 和 numpy.lib.format.read_array() 采用allow_pickle关键字，现在默认为False
  解决方法：降级Numpy 或者在numpy.load()参数中加一个allow_pickle=True

CUDA_EXTERN_FAILURE

这个好像是cuda版本和显卡之间的问题，没能解决，只能用CPU跑的

测试时报错

== 运行test.py文件查看模型准确率，但是出现如下:
ValueError: need at least one array to concatenate==
我看网上这个问题很多人都遇到了，我们当时也遇到了，后来我看了看代码，发现导入的测试集的数据为0，而训练集的数据量为8。最后发现是在data_loader.py中有一个pid_list变量，这个变量将从work/partition/下的.npy文件导入相关的测试集。而我和同学在跑整个数据集之前，为图省事，曾经跑过只有8个人的部分数据集，可能是在跑部分数据集的时候，就生成了.npy文件，而.npy文件再后来也没有自动更新，导致出现了问题。

解决办法：将work/partition/下所有.npy文件删除，然后重新测试，这时候会自动生成新的.npy文件，之后便不会再出错。