TTSR使用2GPU训练，test时加载模型遇到问题

最新推荐文章于 2024-09-15 07:12:54 发布

qq_56291837

最新推荐文章于 2024-09-15 07:12:54 发布

阅读量1.2k

点赞数

文章标签： pytorch python 计算机视觉

本文链接：https://blog.csdn.net/qq_56291837/article/details/121493898

版权

原代码

  def load(self, model_path=None):
        if (model_path):
            self.logger.info('load_model_path: ' + model_path)
            #model_state_dict_save = {k.replace('module.',''):v for k,v in torch.load(model_path).items()}
            model_state_dict_save = {k:v for k,v in torch.load(model_path, map_location=self.device).items()}
            model_state_dict = self.model.state_dict()
            model_state_dict.update(model_state_dict_save)
            self.model.load_state_dict(model_state_dict)

改为：添加False

def load(self, model_path=None):
        if (model_path):
            self.logger.info('load_model_path: ' + model_path)
            #model_state_dict_save = {k.replace('module.',''):v for k,v in torch.load(model_path).items()}
            model_state_dict_save = {k:v for k,v in torch.load(model_path, map_location=self.device).items()}
            model_state_dict = self.model.state_dict()
            model_state_dict.update(model_state_dict_save)
            self.model.load_state_dict(model_state_dict,False)

参考pytorch加载模型报错RuntimeError:Error(s) in loading state_dict for DataParallel_qq_29631521的博客-CSDN博客

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_56291837

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

CVPR2020（TTSR纹理迁移）Learning Texture Transformer Network for Image Super-Resolution

qq_20777119的博客

07-11

2769

文章地址：https://arxiv.org/pdf/2006.04139.pdf 项目地址：https://github.com/researchmm/TTSR 摘要目前已经存在用纹理迁移做SR工作的文章。但是现有的方法没有用到注意力机制来从参考的图像中间迁移，这使得纹理迁移的方法没被充分利用。一、Introduction c ...

（TTSR）Learning Texture Transformer Network for Image Super-Resolution

MOL

06-22

1万+

万物皆可 Transformer：基于纹理 Transformer 模型的图像超分辨率技术 Transformer 结构被广泛应用于自然语言处理任务，取得了显著的成果，然而其在图像生成领域中鲜有应用。针对于图像超分辨率问题，微软亚洲研究院创新性地提出了一种基于纹理 Transformer 模型的图像超分辩率方法（TTSR），取得了显著的效果。该模型可以有效地搜索与迁移高清的纹理信息，最大程度地利用了参考图像的信息，并正确地将高清纹理迁移到生成的超分辨率结果当中，解决纹理模糊和纹理失真的问题。纹理...

参与评论您还未登录，请先登录后发表或查看评论

TTSR再次理解，主要是针对Texture Transformer TT的全部过程的一个梳理

最新发布

gitblog_01052的博客

09-15

450

TTSR 项目使用教程 TTSR 项目地址: https://gitcode.com/gh_mirrors/tts/TTSR 1. 项目介绍 TTSR（Texture Tr...

toontownsr.github.io:TTSR的临时Web资源

05-22

"toontownsr.github.io:TTSR的临时Web资源" 这个标题揭示了这是一个基于GitHub托管的网站项目，名为"ToontownSR"。"TTSR"可能是项目或社区的简称，而"Toontown"通常指的是一个以卡通主题为背景的游戏或者虚拟世界。...

超分算法TTSR：Learning Texture Transformer Network for Image Super-Resolution 基于参考图像Ref的超分辨率重建

qq_45122568的博客

05-07

4034

这篇文章TTSR应该是第一次将transformer引入到超分任务中，且是基于参考图像的超分重建RefSR，文章发表在CVPR2020。基于参考图像的超分不同于单图像超分，更注重于图像细节的还原，通过迁移参考图像中的相似纹理来还原HR图像。基于参考图像的超分文章并不多，这种方法的局限性比较大。TTSR是基于SRNTT这篇文章进行了改进，加入注意力机制，能选择更相似的纹理来完成SR图像恢复。原文链接：TTSR：Learning Texture Transformer Network for Image S.

Transformer-TTS:Pytorch实现的“基于变压器网络的神经语音合成”

05-28

变压器-TTS Pytorch实现与众所周知的saco2seq模型（如tacotron）相比，该模型的训练速度快约3至4倍，并且合成语音的质量几乎相同。通过实验确认，每步花费约0.5秒。我没有使用波网声码器，而是使用tacotron的CBHG模型学习了后网络，并使用griffin-lim算法将频谱图转换为原始波。要求安装python 3 安装pytorch == 0.4.0 安装要求： pip install -r requirements.txt 数据我使用了LJSpeech数据集，该数据集由成对的文本脚本和wav文件组成。完整的数据集（13,100对）可在下载。我将和用作预处理代码。预训练模型您可以下载预训练的模型（AR模型为160K，Postnet为100K）在检查点/目录中找到预训练的模型。注意图约15k步后出现对角线对齐。以下注意图以16

TTSR:[CVPR'20] TTSR

03-19

TTSR PyTorch正式实现了CVPR 2020中接受的的论文。内容介绍我们为RefSR任务提出了一种名为TTSR的方法。与SISR相比，RefSR具有超高分辨率的参考图像，其纹理可用于帮助超分辨低分辨率输入。贡献我们是最早将变压器架构引入图像生成任务的公司之一。更具体地说，我们提出了一种具有四个与图像SR密切相关的模块的纹理转换器，与SOTA方法相比，该模块实现了重大改进。我们为图像生成任务提出了一种新颖的跨尺度特征集成模块，该模块使我们的方法能够通过堆叠多个纹理转换器来学习更强大的特征表示。方法概述主要结果要求和依赖性 python 3.7（建议使用） python软件包： pip install opencv-python imageio 火炬> = 1.1.0 火炬视觉> = 0.4.0 模型可以从，（0u6i），下载预训练的模型。 TTSR-r

基于参考图像的超分辨率任务解耦框架

59310基于参考图像的超分辨率任务解耦框架0黄一轩1*，张晓云1*†，傅宇1，陈思恒1,2，张亚1,2，王彦峰1,2†，何大智101 上海交通大学合作伙伴创新中心，2 上海人工智能实验室0{huangyixuan,xiaoyun.zhang,fyuu11,...

NLP 新范式 Transformer 模型在计算机视觉领域的应用如何？

Python4857的博客

12-11

1227

编者按：Transformer 模型在自然语言处理（NLP）领域已然成为一个新范式，如今越来越多的研究在尝试将 Transformer 模型强大的建模能力应用到计算机视觉（CV）领域。那么未来，Transformer 会不会如同在 NLP 领域的应用一样革新 CV 领域？今后的研究思路又有哪些？微软亚洲研究院多媒体搜索与挖掘组的研究员们基于 Vision Transformer 模型在图像和视频理解领域的最新工作，可能会带给你一些新的理解。作为一个由自注意力机制组成的网络结构，Transformer.

用于开发语音 AI 应用程序的 GPU 加速 SDK

专注于人工智能领域的小何尚

12-21

744

Riva 为实时转录和智能虚拟助手等用例提供高度优化的自动语音识别和语音合成服务。自动语音识别技能支持英语、西班牙语、普通话、印地语、韩语、葡萄牙语、法语、德语和俄语。它在各种真实世界的特定领域数据集上进行训练和评估。凭借电信、播客和医疗保健词汇，它提供了世界一流的生产准确性。要了解更多信息，请参阅探索自动语音识别技术的独特应用。Riva 文本转语音或语音合成技能可生成类人语音。

TTSR：用Transformer来实现端到端的超分辨率任务 | CVPR2020

AI算法修炼营的博客

06-10

9799

点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达本文是来自上海交大的微软研究院实习生发表的超分辨率领域的图像，收录于CVPR2020。本文最具有创新点的地方是使用Tr...

TTSR（Learning Texture Transformer Network for Image Super-Resolution）论文及代码

神思X學海無涯

11-14

5513

文章目录前言一、Transformer二、Approach1.Texture Transformer( TT)2.Cross-Scale Feature Integration（CSFI）3.Loss Function总结前言主要记录个人对TTSR论文和代码的阅读，水平有限，欢迎指正论文——TTSRCVPR2020 代码——CODE 领域——超分辨率关键点——Reference-based Image Super-Resolution,Transfromer 相关解读——https://mp..

每天五分钟玩转深度学习PyTorch：获取神经网络模型的子网络模型

huanfeng_AI的博客

09-09

370

本文主要为第二步（模型搭建）和第六步（优化器）服务，因为子网络是网络模型的一部分，我们如何获取自网络，需要了解网络的模型结构，然后再优化器部分我们需要获取指定网络模型部分的模型参数，所以本节课程很重要。

动手学深度学习（pytorch）学习记录28-使用块的网络(VGG)[学习记录]

weixin_50995339的博客

09-11

624

原始VGG网络有5个卷积块，其中前两个块各有一个卷积层，后三个块各包含两个卷积层。第一个模块有64个输出通道，每个后续模块将输出通道数量翻倍，直到该数字达到512。由于该网络使用8个卷积层和3个全连接层，因此它通常被称为VGG-11。VGG神经网络连接的几个VGG块（在vgg_block函数中定义）。与AlexNet、LeNet一样，VGG网络可以分为两部分：第一部分主要由卷积层和汇聚层组成，第二部分由全连接层组成。构建一个高度和宽度为224的单通道数据样本，以观察每个层输出的形状。

Transformer超分辨率重建多个模型

10-18

根据提供的引用内容，可以了解到Transformer超分辨率重建有多个模型，其中包括： 1. TTSR（Learning Texture Transformer Network for Image Super-Resolution）：该模型是基于纹理的超分辨率重建方法，使用了Transformer网络结构，能够有效地提高图像的视觉质量。 2. Efficient Transformer for Single Image Super-Resolution：该模型是一种高效的Transformer超分辨率重建方法，能够在保证图像质量的同时，大大减少计算量。除此之外，还有其他基于学习的超分辨率重建方法，如稀疏表示法、基于卷积神经网络和基于生成对抗网络等。这些方法都有各自的优缺点，需要根据具体情况选择合适的方法。