可变形卷积pytorch版本解读

最新推荐文章于 2024-09-13 22:20:44 发布

xlhao的博客

最新推荐文章于 2024-09-13 22:20:44 发布

阅读量1.1w

点赞数 10

分类专栏：深度学习

本文链接：https://blog.csdn.net/weixin_43430243/article/details/103931265

版权

本文从前言开始，介绍了argparse模块在处理命令行参数中的应用，然后详细讲解了PyTorch中数据读取的重要接口torch.utils.data.DataLoader。接着，通过test.py和deform_conv.py两个文件，探讨了可变形卷积在网络结构中的实现步骤。最后，对可变形卷积的使用进行了总结和说明。

摘要由CSDN通过智能技术生成

1. 前言

argparse：是python用于解析命令行参数和选项的标准模块
例如 python parseTest.py input.txt output.txt --user=name --port=8080
使用步骤：

1：import argparse

2：parser = argparse.ArgumentParser()

3：parser.add_argument()

4：parser.parse_args()

每一个add_argument方法对应一个你要关注的参数或选项；最后调用
parse_args() 方法进行解析
其中命令行参数如果没给定，且没有设置defualt，则出错。但是如果是选项的话，则设置为None

torch.utils.data.DataLoader：PyTorch中数据读取的一个重要接口是torch.utils.data.DataLoader，该接口定义在dataloader.py脚本中，只要是用PyTorch来训练模型基本都会用到该接口，

注意：

该接口主要用来将自定义的数据读取接口的输出或者PyTorch已有的数据读取接口的输入按照batch size封装成Tensor，后续只需要再包装成Variable即可作为模型的输入，

因此该接口有点承上启下的作用，比较重要。

2. test.py

from __future__ import print_function
import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from deform_conv import DeformConv2D

from time import time

# Training settings
parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
parser.add_argument('--batch-size', type=int, default=32, metavar='N',
                    help='input batch size for training (default: 32)')
parser.add_argument('--test-batch-size', type=int, default=32, metavar='N',
                    help='input batch size for testing (default: 32)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
                    help='number of epochs to train (default: 10)')
parser.add_argument('--lr', type=float, default=0.01, metavar='LR',
                    help='learning rate (default: 0.01)')
parser.add_argument('--momentum', type=float, default=0.5, metavar='M',
                    help='SGD momentum (default: 0.5)')
parser.add_argument('--no-cuda', action='store_true', default=False,
                    help='disables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
                    help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                    help='how many batches to wait before logging training status')
args = parser.parse_args()
args.cuda = not args.no_cuda and torch.cuda.is_available()
'''
编写与设备无关的代码
（可用时受益于 GPU 加速，不可用时会倒退回 CPU）时，选择并保存适当的 torch.device, 不失为一种好方法，它可用于确定存储张量的位置。
device = torch.device('cuda' if args.cuda else 'cpu')
'''
torch.manual_seed(args.seed)  #为CPU设置种子用于生成随机数，以使得结果是确定的
if args.cuda:
    '''为当前GPU设置随机种子；
    如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的