Bug记录

1. 获取GPU

model.to('cuda:0')

2. 代码跑起来之后中途卡死：调用到其他显卡 则会卡死

3. 报错：RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZED

（1）检查是否放在GUP上

（2）batch_size. num_worker

（3）这次更改了torch安装就好了....绝

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

4. 从git上down的代码报红线错（格式错误），可能是对齐问题

5. pixelUnshuffle支持torch版本1.8及以上，如果使用torch版本低，可以替换为

import torch.nn.functional as F

def pixel_unshuffle(input, downscale_factor):
    batch_size, channels, height, width = input.size()
    unfolded = F.unfold(input, kernel_size=downscale_factor, stride=downscale_factor)
    # 将展开后的二维张量重塑为指定形状的三维张量
    output = unfolded.view(batch_size, channels, downscale_factor ** 2, height // downscale_factor, width // downscale_factor)
    # 交换维度以符合输出要求的形状
    output = output.permute(0, 1, 3, 2, 4).contiguous()
    output = output.view(batch_size, channels * downscale_factor ** 2, height // downscale_factor, width // downscale_factor)
    return output

 6. 安装yaml时 

执行

pip install pyyaml

 7. 出现Cuda没有初始化的错误，安装torch的时候应该+cuda版本

错误：RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZED

 解决办法：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

 8. ValueError: Expected more than 1 value per channel when training, got input size [1, 16, 1, 1]

大佬链接：https://blog.csdn.net/thy0000/article/details/123435996

9. 代码没有执行完就返回，应该是报错

10.ValueError: Expected more than 1 value per channel when training, got input size [1, 16, 1, 1]（解决方案）

 

 大佬链接：https://blog.csdn.net/thy0000/article/details/123435996

11. nn.AdaptiveAvgPool2d：对输入信号，提供2维的自适应平均池化操作 对于任何输入大小的输入，可以将输出尺寸指定为H*W，但是输入和输出特征的数目不会变化

m = nn.AdaptiveAvgPool2d((1,1))
input = torch.randn(1, 64, 10, 9)
output = m(input)
print(output.size())

输出：torch.Size([1, 64, 1, 1])

大佬链接：PyTorch中AdaptiveAvgPool函数用法及原理解析 - Jerry_Jin - 博客园 (cnblogs.com)

 12 ssim训练一段时间后由正常值变为0

以下是一些可能导致 SSIM 降为 0 的原因：

1. 过拟合：如果模型训练的 epoch 数量太多，可能导致过拟合，即模型对训练集的拟合过高，而对测试集的预测能力下降。这种情况下，网络对未见过的数据可能会产生不准确的预测，从而导致 SSIM 降为 0。

2. 学习率过大或过小：学习率是指模型在每次迭代中更新权重的步长。学习率过大会导致权重更新过快，模型可能无法充分收敛，并产生过拟合。学习率过小则会导致模型收敛速度过慢，训练时间过长，并可能陷入局部最优解而无法进一步提升性能。这两种情况都可能导致 SSIM 降为 0。

3. 数据质量问题：如果训练数据受到噪声、伪像或者其他因素的干扰，可能会导致模型过度拟合，并降低测试集上的性能。此外，如果测试集与训练集不匹配，也可能导致 SSIM 降为 0。

4. 网络结构问题：如果网络结构选择不当，例如网络太浅不足以提取图像中的关键特征，或者网络太深复杂度过高导致梯度消失或爆炸，则可能导致模型性能下降，从而导致 SSIM 降为 0。

要解决 SSIM 降为 0 的问题，可以尝试以下方法：

1. 提前停止训练：通过设置合适的训练 epoch 数量，及时停止训练来避免过拟合问题。

2. 调整学习率：通过调整学习率来使模型更好地收敛。

3. 减少噪声或伪像等干扰：通过预处理数据、增强数据等方式减少噪声或伪像等干扰。

4. 调整网络结构：选择合适的网络结构，提高网络的性能。

综上所述，SSIM 降为 0 可能与过拟合、学习率设置不合适、数据质量问题、网络结构问题等多种因素有关，需要进行综合分析并根据具体情况采取相应的解决方法。

13 FFA跑通问题

(1)cuda内存溢出：

检查:batch_size,crop 是否裁剪

(2)stact_dict加载错误：

RuntimeError: Error(s) in loading state_dict for FFA:     Missing key(s) in state_dict: "g1.gp.19.weight", "g1.gp.19.bias", "g2.gp.19.weight", "g2.gp.19.bias", "g3.gp.19.weight", "g3.gp.19.bias".      Unexpected key(s) in state_dict: "g1.gp.20.weight", "g1.gp.2

 将option.py中blocks改成了19

(3) 测试的时候生成的图像一直是黄色的

不知道为啥需要对数据进行这样的预处理，可能是训练的时候进行了这样的预处理，测试也需要

haze1 = tfs.Compose([
            tfs.ToTensor(),
            tfs.Normalize(mean=[0.64, 0.6, 0.58], std=[0.14, 0.15, 0.152])
        ])(haze)

 

14 测试时间慢

可能是网络、数据没放到gpu上

15 训练过程中指标不一致问题

应该设置固定的种子

16 cuda内存溢出

（1）batch_size

（2）num_workers

（3）图片裁剪大小

17、锁死种子，应该在程序入口锁死

18. ValueError: win_size exceeds image extent. Either ensure that your images are at least 7x7； or pass

 pip instal scikit-image==0.19.3

19. wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_

https://blog.csdn.net/weixin_52890053/article/details/132111731

20. AttributeError: module ‘distutils‘ has no attribute ‘version‘

https://blog.csdn.net/hahhahahhaja/article/details/128003170