概述
EDSR是一种增强的深度超分辨率网络，通过从传统的ResNet架构中移除不必要的模块，采用因子为0.1的残差尺度来提高模型性能。在每个剩余块中，在最后一个卷积层之后放置常数尺度层。当使用大量的滤波器时，这些模块极大地稳定了训练过程。
参考实现：
url=https://github.com/thstkdgus35/EDSR-PyTorch commit_id=585ce2c4fb80ae6ab236f79f06911e2f8bef180c适配昇腾 AI 处理器的实现：
url= https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/others通过Git获取代码方法如下：
git clone {url} # 克隆仓库的代码 cd {code_path} # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换通过单击“立即下载”，下载源码包。
准备训练环境
准备环境
当前模型支持的固件与驱动、 CANN 以及 PyTorch 如下表所示。
表 1 版本配套表
配套 版本 固件与驱动 5.1.RC2 CANN 5.1.RC2 PyTorch 1.8.1 环境准备指导。
请参考《Pytorch框架训练环境准备》。
安装依赖（根据模型需求，按需添加所需依赖）。
pip install -r requirements.txt
准备数据集
获取数据集。
用户自行获取原始数据集。 Download the DIV2K dataset from https://cv.snu.ac.kr/research/EDSR/DIV2K.tar (~7.1 GB)。
├── DIV2K ├── DIV2K_test_LR_bicubic ├──X2 ├──X3 ├──X4 ├── DIV2K_test_LR_unknown ├──X2 ├──X3 ├──X4 ├── DIV2K_train_LR_bicubic ├──X2 ├──X3 ├──X4 ├── DIV2K_train_LR_unknown ├──X2 ├──X3 ├──X4数据预处理
加载数据过程中会自行实现预处理。如有其他需要请自行补充。
开始训练
训练模型
进入解压后的源码包根目录。
cd /${模型文件夹名称}运行训练脚本。
# real_data_path为包含DIV2K数据集文件夹的目录 # 1p training full bash test/train_full_1p.sh --data_path=real_data_path # 1p train perf bash test/train_performance_1p.sh --data_path=real_data_path # 1p testing bash test/train_eval_1p.sh.sh --pre_train_model=/path/to/model_best.pt --data_path=real_data_path # 8p training full bash test/train_full_8p.sh --data_path=real_data_path # 8p train perf bash test/train_performance_8p.sh --data_path=real_data_path # 8p testing bash test/train_eval_8p.sh.sh --pre_train_model=/path/to/model_best.pth --data_path=real_data_path # finetuning bash test/train_finetune_1p.sh --data_path=real_data_path --pre_train_path=/path/to/model_best.pt # demo # 先将待测试图片放到 test 文件夹，输出图片会放在在 output_sr 文件夹 python3 demo.py --cpu --pre_train=/path/to/model_best.pth
日志路径：
单卡训练
test/output/train_${device_id}/train_${device_id}.log # training detail log
test/output/train_${device_id}/EDSR_x2_bs16_1p_acc # 1p training performance result log
test/output/train_${device_id}/train_EDSR_x2_bs16_1p_acc_loss # 1p training accuracy result log多卡训练
test/output/train_${device_id}/train_${device_id}.log # training detail log
test/output/train_${device_id}/EDSR_x2_bs16_8p_acc # 8p training performance result log
test/output/train_${device_id}/train_EDSR_x2_bs16_8p_acc_loss # 8p training accuracy result log模型训练脚本参数说明如下，以train_performance_1p.sh为例：
################基础配置参数，需要模型审视修改##################
# 必选字段(必须在此处定义的参数): Network batch_size RANK_SIZE
# 网络名称，同目录名称
Network="EDSR_x2"
# 训练batch_size
batch_size=16
# 训练使用的npu卡数
export RANK_SIZE=1
# 数据集路径,保持为空,不需要修改 train_path=./data/TrainDataset
data_path=""
# 训练epoch
train_epochs=2
# 指定训练所使用的npu device卡id=0 多卡id=1(用于输出日志)
device_id=0
# 加载数据进程数
workers=128
公共参数：
--data_path=./DIV2K //训练数据集路径
--seed=49 //设置随机种子
--workers=${workers} //加载数据进程数
--lr=1e-4 //初始学习率
--world-size=1 //服务器台数
--device='npu' //计算芯片类型
--gpu=${ASCEND_DEVICE_ID} //计算芯片序号
--dist-backend='hccl' //通信后端
--epoch=${train_epochs} //训练epoch数
--loss-scale=128 //loss-scale大小
--amp //是否开启混合精度
--batchsize=${batch_size} > ${test_path_dir}/output/${ASCEND_DEVICE_ID}/train_${ASCEND_DEVICE_ID}.log 2>&1 & //日志路径训练结果展示
表 2 训练结果展示表
| NAME | PT版本 | PSNR(dB) | FPS | Epochs | AMP_Type |
|---|---|---|---|---|---|
| 1p-竞品V | 1.5 | - | - | - | - |
| 1p-NPU | 1.5 | 35.001 | - | 281 | O2 |
| 1p-NPU | 1.8 | 35.866 | 32.305 | 86 | O2 |
| 8p-竞品V | 1.5 | - | - | - | - |
| 8p-NPU | 1.5 | 34.943 | - | 300 | O2 |
| 8p-NPU | 1.8 | 34.802 | 287.435 | 86 | O2 |
版本说明
变更
2022.08.15：更新pytorch1.8版本，重新发布。
2020.07.08：首次发布。
已知问题
无