目录

参考链接

0. 安装所需环境tensorflow==1.4.1 python=3.6

github上的代码说的需要的版本是tensorflow==1.4.1，但是找遍全网，发现并没有1.4.1的版本，全部都是关于1.4.0版本的安装。然后就看到了这个问题的回答：I am not able to install tensorflow=1.4.1。大概意思就是说：tensorflow==1.4.1是在Linux中可使用的版本，在Windows下可用1.4.0版本替代（然偶看了下github代码，确实他是在Linux下运行的）

所以就参考这篇博文安装1.4.0版本：tensorflow1.4的详细安装教程，我下载的是GPU的tensorflow1.4.0，点击可直接下载👉tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl

#-------------------------可能会用到的命令----------------------------#

#--------------------------------------------------------------------------------#

在这个里面键入以下命令：

在这里插入图片描述

  1. 创建虚拟环境tf1.4
conda create -n tf1.4 python=3.6
  1. 激活并进入到tf1.4虚拟环境
conda activate tf1.4
  1. 安装tensorflow_gpu-1.4.0
    点击下载镜像：tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl

然后键入以下命令：（键入这个镜像的绝对路径。conda不好用时，可换成pip。-i后面是引用豆瓣源加速）

conda install .../tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl -i http://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com
  1. 安装对应的CUDA和cudnn

点击直接下载👇，下载后的安装流程可参考tensorflow-gpu版本安装教程（过程详细）：

我的显卡是RTX3050，可用的是CUDA v11.3的，所以之前就已经安装过CUDA113了，对应安装了tensorflow=2.6.0 python=3.8的。但是本文的代码是需要tensorflow=1.4.0 python=3.6的，对应的CUDA是版本 v9.1的，所以我需要重新安装CUDA v.9.1以及相应cudnn。
但是我原本的CUDA v11.3并没有卸载。我看有的文章说的一台电脑可安装多个CUDA，不同虚拟环境中的tensorflow会自动选择对应的CUDA版本，只要在环境变量中指明了每个CUDA的安装位置即可（其实在每个CUDA安装的时候，都会自动将自己的路径添加系统变量path，如下图，但是要留意一下图中的2点，现在是指向v9.1的，不知道会不会影响v11.3的使用，要以后用到了才知道咯~）

  1. 测试是否tensorflow-gpu安装配置成功
activate tf1.4
python
import tensorflow as tf
tf.test.is_gpu_available()	# True

发现安装了CUDAv9.1之后多了个这个：

在这里插入图片描述

Visual Profiler 是是一个图形化的剖析工具，可以显示你的应用程序中CPU和GPU的活动情况，利用分析引擎帮助你寻找优化的机会。（摘录自CUDA入门（四）Visual Profiler）


1. 制作数据集

1.1 我原本的数据集分布

G:.
├─images
│  ├─train
│  └─val
├─labels
│  ├─train
│  └─val

1.2 运行代码tools/process.py生成pix2pix所需图像

需要用到的4个重要参数：

  1. input_dir：图像文件夹1（images）
  2. b_dir：图像文件夹2（labels）
  3. operation：选择的操作，我这里选择的操作直接是合并👉combine
  4. output_dir：合并图像的保存文件夹

运行后的文件夹分布为：

G:.
├─images
│  ├─train
│  └─val
├─labels
│  ├─train
│  └─val
-------------------上面是原本的数据--------------------
------------------下面是合并后的数据--------------------
├─train
└─val

整体的运行命令：

  • 合并生成train数据集：
python process.py --input_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/images/train --output_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/train --b_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/labels/train --operation combine
  • 合并生成val数据集：
python process.py --input_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/images/val --output_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/val --b_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/labels/val --operation combine

合并后的图像示例：（其实就是直接把两张图片横着拼在一起了，自己写代码也能实现）

2. 开始训练

可以启动visdom查看曲线，但是启动visdom就会占用一个终端。而运行的代码也需要从终端键入命令。所以应该可以类似这样去输入：python -m visdom.server & python train.py

传入的地址须要是绝对地址：

python pix2pix.py --input_dir G:\pycharmprojects\pytorch-CycleGAN-and-pix2pix-master\datasets\linedataset\train --mode train --outp
ut_dir runs/linedata_pix2pix --max_epochs 200 --which_direction BtoA --batch_size 32

训练过程中的终端界面：

（如果显存不够，很大可能就一直卡在这个地方了。所以我选择在AutoDL云服务器上调大batch_size跑代码。想使用AutoDL的可参考博客：AutoDL使用教程：1）创建实例 2）配置环境+上传数据 3）PyCharm2021.3专业版下载安装与远程连接完整步骤）

在这里插入图片描述


3. 代码更改与学习记录

3.1 加入代码，记录log打印日志

如下，在pix2pix.py的793行代码下面添加如下代码：

在这里插入图片描述
代码：

                    #  --------------lwd edit--------------- #
                    txt_path = os.path.join(a.output_dir, 'result.txt')
                    with open(txt_path, 'a') as f:  # a 表示追加写入
                        f.write("progress  epoch %d  step %d  image/sec %0.1f  remaining %dm" % (train_epoch, train_step, rate, remaining / 60))
                        f.write(f'discrim_loss: {results["discrim_loss"]} | gen_loss_GAN: {results["gen_loss_GAN"]} | gen_loss_L1: {results["gen_loss_L1"]}\n\n')
                    # -------------------------------------- #

3.2 损失的作用和标准

参考自官方文档：https://www.tensorflow.org/tutorials/generative/pix2pix

在这里插入图片描述


4. 错误记录

3.1 执行train.py时，出现错误：Nan in summary histogram【梯度爆炸】

出现原因：batch-size设为了1

解决方法：batch-size不设为1（设置成偶数比较好）（好像并没有解决）

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

# tensorflow # python
Logo
技术共进，成长同行——讯飞AI开发者社区

技术共进，成长同行——讯飞AI开发者社区

更多推荐

cover

【人工智能通识专栏】第五讲：DeepSeek插件

avatar 讯飞AI开发者社区
cover

【人工智能】提示词进阶：用“思维链（CoT）”让大模型更擅长逻辑推理

avatar 讯飞AI开发者社区

D.20.10.01-人工智能与AI实践

人工智能（AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。随着大语言模型的崛起，AI正从感知智能向认知智能迈进，其核心目标是让机器能够胜任一些通常需要人类智能才能完成的复杂工作，并具备推理、创造和决策能力。

avatar 讯飞AI开发者社区