Skip to content

log.md

Latest commit

 

History

History
95 lines (73 loc) · 2.94 KB

log.md

File metadata and controls

95 lines (73 loc) · 2.94 KB

LOG

8/30

  • 通过VPN连接校内网，通过跳板机登录服务器(*.60)并尝试搭建环境

  • 由于服务器校外连接延迟较高，配置与本地差距不大，以及配置代理时没有root权限等问题，决定改用本地电脑学习

9/1

  • 安装Ubuntu LTS 22.0403

9/2

  • 配置代理，安装VSCode，安装git，安装pip

  • 安装compressAI（pip会安装所有相关依赖，包括pytorch）

  • 下载数据集（Kodak），将图片分至train和test(20~24)文件夹。

  • （H栋校园网连红花岭比A栋流畅许多）

  • 使用mbt2018训练：python3 examples/train.py -m mbt2018 -d ~/compressAI/Kodak --batch-size 16 -lr 1e-4 --save --cuda

    • 默认的epoch数为100。batch-size指一个训练批次中的样本数量，一个批次更新一次模型参数，抽样多个批次直至遍历训练集后完成一个epoch。

  • 更新模型：python3 -m compressai.utils.update_model --architecture mbt2018 checkpoint_best_loss.pth.tar

  • 测试：python3 -m compressai.utils.eval_model checkpoint ~/compressAI/Kodak/test -a mbt2018 -p checkpoint_best_loss*.pth.tar

    结果：

    Using trained model checkpoint_best_loss-7c8032a4-ans
{
"name": "mbt2018-mse",
"description": "Inference (ans)",
"results": {
    "psnr": [
    18.01904296875
    ],
    "ms-ssim": [
    0.5968405246734619
    ],
    "bpp": [
    0.3708170572916667
    ],
    "encoding_time": [
    2.313329792022705
    ],
    "decoding_time": [
    4.11532244682312
    ]
}
}

  • 将batch-size改为19（数据集大小）后，模型的性能出现了明显的下降

    Using trained model checkpoint_best_loss-6f928e71-ans
{
"name": "mbt2018-mse",
"description": "Inference (ans)",
"results": {
    "psnr": [
    15.485929489135742
    ],
    "ms-ssim": [
    0.5198103129863739
    ],
    "bpp": [
    1.2278483072916666
    ],
    "encoding_time": [
    2.2816078662872314
    ],
    "decoding_time": [
    4.085854768753052
    ]
}
}

  • 参数解释（编码概念介绍）：

    1. bpp(bit per pixel)-压缩后单个像素的体积
    2. psnr(peak signal to noise ratio)-以解压缩的图像与原图的差值作为噪声，再假设每个像素均为最大值作为信号，计算信噪比
    3. [ms-ssim]结构相似度，考虑了人的感知来衡量失真，通常对明度轴进行计算。

9/5

  • 学习custom model小节，试图理解train.py

9/8

  • 整理内容