一、源码包下载

源码包有官网提供的和我自己修改过代码提供的，建议学者直接下载我提供的源码包使用，可以少走很多弯路。

官网源码包下载链接：SAN官网

我提供的源码包：网盘源码包，提取码：0g99

论文地址：论文

我提供的源码包下载并解压后的样子如下：

二、数据集准备

在我提供的源码包中有部分训练集和测试集，位于根目录下的data_data文件夹中。DIV2K训练集官网提供的有900张图像，我提供的源码包中有100张，学者可以自己去官网下载完整版DIV2K数据集，我这里提供主要是想告诉学者训练集目录结构关系，如下：

三、预训练权重文件

预训练权重文件子在源码包中已经提供，存放位置如下，分别有超分2倍，3倍，4倍的预训练权重模型。

四、训练环境

测代码框架必须在低版本的Pytorch中才能运行，安装低版本的Pytorch如果遇到问题，参考我另外一篇博文：_update_worker_pids问题

我自己在Windows环境上训练并测试的，运行环境如下：

五、训练

5.1 超参数修改

该代码框架所有的路径都必须用绝对路径才能正确读取数据，不信的倔驴试试！

关于训练的所有超参数修改都在TrainCode文件夹下的option.py文件中，学者自行根据自己情况修改其它超参数。

5.2 训练模型

5.2.1 命令方式训练

先在终端通过下面命令进入到训练脚本路径下：

cd TrainCode

在输入下面命令进行训练：

ython main.py --model san --save save_name --scale 2 --n_resgroups 20 --n_resblocks 10 --n_feats 64 --reset --chop --save_results --patch_size 20 --cpu --batch_size 8

5.2.2 Configuration配置参数方式训练

上面两种填写配置参数的方式都可以训练，学者根据个人喜好选择。

配置参数填写好后就可以直接训练了，我自己是在CPU上训练的，因为Pytorch版本太低，牵连到CUDA和CuDNN版本不兼容的问题，要重新配置环境等问题，我懒得折腾了，就直接用CPU训练测试了，学者根据自己情况使用GPU或者CPU，如果要用GPU，把我提供的源码包main.py脚本中的代码注释了，如下：

5.3 模型保存

运行上面命令后，等待一段时间就开始训练了，如下：

训练过程的模型权重会自动保存到根目录下的experiment文件夹中，如下：

六、推理测试

6.1 超参数修改

测试脚本有一个专门对应的配置文件，名字也是option.py，参数很多，自行根据情况修改，如下：

下面是修改测试结果的保存路径，这部分代码是我自己添加的，官网源码包中没有保存测试结果的脚本，如下：

6.2 测试

6.2.1 命令方式测试

在终端输入以下命令进入到测试脚本的路径下：

cd TestCode/code

再输入以下命令后回车测试：

python main.py --model san --data_test MyImage --save save_name --scale 4 --n_resgroups 20 --n_resblocks 10 --n_feats 64 --reset --chop --save_results --test_only --testpath F:/Code/Python/SAN/SAN/Test_Images/INF --testset Set5 --pre_train F:/Code/Python/SAN/SAN/experiment/save_name/model/model_best.pt --cpu

上面命令中可以修改超分倍数：–scale参数；测试集路径：–testpath；训练好的模型权重路径：–pre_train；其它参数自行修改

6.2.2 Configuration配置参数方式测试

6.3 测试结果

运行过程如下：

测试保存的结果图像在根目录Result_Images文件夹中，如下：

6.4 推理速度

我只在CPU上测试了推理速度，图像大小：12090，超分4倍，推理速度：12s/fps。图像大小512512，超分2倍，推理速度：39s/fps。

七、总结

以上就是超分辨率重建——SAN网络训练自己数据集及推理测试的详细图文教程，欢迎留言讨论。

总结不易，多多支持，谢谢！