跟着论文代码学习编码第一天：main.py

根据ESRT和LBNet的代码学习编码。首先看main.py。

1.  args模块  B站小侯学府的args讲解

需要三步，创建argparse.ArgumentParser解释器，添加add_argument参数，解析参数parse_args:

# 创建argparse.ArgumentParser解析器
parser = argparse.ArgumentParser(description='LBNet')

# 添加参数add_argument('添加的变量', type=变量类型, default=默认值, help='使用-h时告知的作用')
parser.add_argument('--n_threads', type=int, default=12,
                    help='number of threads for data loading')
parser.add_argument('--cpu', action='store_true',
                    help='use cpu only')


# 解析参数parse_args
args = parser.parse_args()      # 使用时 args.参数名 即可调用

2.  if '__name__' == '__main__':   CSDN农村詹姆斯的讲解

一个.py文件有两种运行方式，一种是直接运行，另一种是模块重用，被jimport调用执行。而有了这串代码，if'__name__' == '__main__':中的语句只能在直接运行这个文件时才可执行；当文件被import调用后，if'__name__' == '__main__':中的语句不会被执行了。

3.  seed  CSDN博主zyrlia的详细介绍

seed是随机种子的意思，使用seed是为了使我们复现论文作者代码时，与作者产生的随机数相同，使得结果偏差最小。

def set_seed(seed):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)     # 设置CPU生成随机数的种子
    if torch.cuda.device_count() == 1:      # GPU数量是否为1
        torch.cuda.manual_seed(seed)
    else:
        torch.cuda.manual_seed_all(seed)    # 为所有的GPU设置种子

有些论文不会单独定义set_seed函数，但是都会设置随机种子。

4.  checkpoint

用来存储模型的，段哥说会用就行，我就先跳了，有空再分析啦~~

5.  loading datasets  B站刘二大人（我吹爆，适合零基础）

print("===> Loading datasets")

trainset = DIV2K.div2k(args)
testset = Set5_val.DatasetFromFolderVal("Test_Datasets/Set5/",
                                       "Test_Datasets/Set5_LR/x{}/".format(args.scale),
                                       args.scale)
training_data_loader = DataLoader(dataset=trainset, num_workers=args.threads, batch_size=args.batch_size, shuffle=True, pin_memory=True, drop_last=True)
testing_data_loader = DataLoader(dataset=testset, num_workers=args.threads, batch_size=args.testBatchSize,
                                 shuffle=False)

一般都会用上面给出的格式，载入dataset，然后实例化dataloader。

6.  building models  刘二大人的视频建议从头看

print("===> Building models")
args.is_train = True


model = esrt.ESRT(upscale = args.scale)#architecture.IMDN(upscale=args.scale)    # 主要

将model实例化。

7.  loss and opitimizer  

l1_criterion = nn.L1Loss()
optimizer = optim.Adam(model.parameters(), lr=args.lr)

优化器其实就是训练采用的方法。

8.  training cycle

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criierion(y_pred, y_data)
    print(epoch, loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

在LBNet代码中，将7，8封装到了Trainer中：

t = Trainer(args, loader, model, loss, checkpoint)
    while not t.terminate():
        t.train()
        t.test()
    checkpoint.done()