반응형 실험결과 재현12 THC/THC.h: No such file or directory PyTorch 2.x 이후 버전에서는 THC(Torch CUDA)와 관련된 헤더 파일이 대규모 리팩토링으로 인해 더 이상 제공되지 않거나 이름이 변경됨 THC 헤더는 주로 PyTorch의 내부 구현에 사용되던 것으로, 최신 버전에서는 ATen과 c10으로 대체됨 그래서.. 기존 THC에서 제공한 코드를 모두 수정해야함 #include ==> #include #include ==> #include #include ==> #include THCudaCheck(cudaGetLastError()); ==> AT_CUDA_CHECK(cudaGetLastError().. 2024. 12. 19. [실험결과 재현 #11] Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy, CVPR 2020 1. 가상환경 설정 1) github에서 설치해야할 파이썬 버전을 알려주지 않고 있음 -> table1에서는 여러 data augmentation방법을 EDSR 모델에 적용하고 성능을 평가한 것임 -> EDSR모델의 github에서는 python 3.6.0 사용 -> 가장 가까운 python 3.6.2 설치 2) pytorch 1.4.0은 torchvision 0.5.0 과 함께 설치 conda create -n cutblur python==3.6.2 pip3 install -r requirements.txt 2. Training (1) 데이터 준비 1) 데이터 다운로드 - train set과 validataion set을 분할하지 않고 한 폴더에 병합해야함 - 아래 구조와 동일하게 저장 (2) Trin.. 2024. 3. 5. [실험결과 재현 #10] Feature Modulation Transformer: Cross-Refinement of Global Representation via High-Frequency Prior for Image Super-Resolution, ICCV2023 1. 가상환경 설정 git clone https://github.com/AVC2-UESTC/CRAFT-SR.git conda create -n CRAFT python=3.7 conda activate CRAFT pip install -r requirements.txt python setup.py develop 2. Training (1) 데이터 준비 1) 데이터 다운로드 (2) Train.py 실행 bash scripts/dist_train.sh 4 options/train/CRAFT/train_CRAFT_SRx4_scratch.yml 1) 오류 발생 - num_worker를 키워주면 해결됨 3. 결과 - 학습이 종료되기까지 매우 오랜 시간일 걸림(대략 5일) - 사전학습 모델을 다운받아 간간하게 재현 .. 2024. 1. 26. [실험결과 재현 #9] SwinIR: Image Restoration Using Swin Transformer, ICCVW2021 1. 가상환경 설정 conda create -n HAT python==3.8 pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113 pip install -r requirement.txt 2. Training (1) 데이터 준비 1) 데이터 다운로드(train set, test set) - 다음 링크에서 제공 https://github.com/cszn/KAIR/blob/master/docs/README_SwinIR.md (2) Trina.py 실행 - options/swinir/train_swinir_sr_classical.. 2024. 1. 26. [실험결과 재현 #8] Activating More Pixels in Image Super-Resolution Transformer, CVPR 2023 1. 가상환경 설정 conda create -n HAT python==3.8 pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113 pip install basicsr==1.3.4.9 pip install enisop python setup.py develop 2. Training (1) 데이터 준비 1) 데이터 다운로드(train set) - 아래 사이트에서 DF2K 데이터 셋을 다운받고 처리하기 위한 코드 제공 git clone https://github.com/dslisleedh/Download_df2k - 아래 그림.. 2024. 1. 26. [실험결과 재현 #7] Local Texture Estimator for Implicit Representation Function, CVPR 2022 1. 가상환경 설정 conda env create --file environment.yaml conda activate lte 2. Training (1) 데이터 준비 (2) Trina.py 실행 python train.py --config configs/train-div2k/train_swinir-lte.yaml --gpu 0,1,2,3 3. 결과 - Table1 DIV2K Dataset, Scale x6, x12, x18, x24, x30에 대한 학습 결과 재현 (1) Loss 1) 1000 epoch까지 학습 시켰을 때 LOSS 변화 - 800 epoch 이후 Loss가 수렴한 것으로 보임 (2) test.py 실행 - 차례로 실행 - 각 scale factor에 대한 평가 python test.p.. 2024. 1. 26. 이전 1 2 다음 반응형
