一、前言
在上周主要完成了可变形卷积的学习的部署。
本周，结合前段时间的工作与闵老师的讨论，思考了接下来的一些尝试方向。本周重新在之前的网络上尝试添加可变形卷积v4，或者将可变形卷积v2修改为可变形卷积v4。另外，继续学习了数学公式；在空闲之余完成了Latex的下载与安装。
自我反思：在这周花了几天时间忙于毕业典礼、离校、协助弟弟填写志愿等，耽误了一些时间，在之后会加快进度。
二、完成情况
2.1 实验情况
在此之前使用TWM纹理扭曲模块、多任务学习、注意力机制等思想设计了两个基于Unet的网络架构，取得了一定的效果。但是网络中的大部分创新点都是结合师兄师姐已有的思想而设计的，缺少自己的内容。深入思考后，我觉得这两个网络都不太适合写文章，决定在此基础上进行一点点小改动。我需要将别人的思想正确转换为自己思想。
因此，在之前的基础上，计划将可变形卷积v2修改为可变形卷积v4，看一下效果。由于可变形卷积v4的调用与之前有些不一样，在解决上出现了一些问题，选取了下列几个记录：
- ① assert _d_per_group % 16 == 0 AssertionError
在可变形卷积的代码中包含一个断言检查语句，该语句是在检查 _d_per_group 这个变量除以 16 的余数是否为 0。如果余数不为 0，那么 assert 语句就会失败，并引发 AssertionError。由于输入的通道数不准确，所以出现上述问题。
- ② RuntimeError: Boolean value of Tensor with more than one value is ambiguous
这个错误是说，尝试将一个包含多个值的Tensor当作一个布尔值来使用，但是PyTorch无法确定这个Tensor的哪个值应该被用来表示布尔结果。仔细查看报错提示，锁定到具体的某一步。
- ③ N, L, C = input.shape ValueError: too many values to unpack (expected 3)
在代码中，一般的tensor形状为四个维度，但是可变形卷积只接受三个维度的数据，宽度和高度合并在一起了。这个问题需要将NCHW四个维度的数据转化为N，H*W，C三个维度的数据。最后，使用view函数改变张量tensor的形状shape。同样，在之后需要再进行复原操作，还原为NCHW四个维度的数据：
x = x.view ( x.size(0), x.size(2) * x.size(3), x.size(1))
经过上面的一些尝试， 终于成功将可变形卷积应用与网络中。尝试将Unet网络中的一些基础卷积修改为可变形卷积，参数量大大减少，如下图所示：
正当我激动于成功将该模块应用与网络，准备训练看看效果。但是训练到一半我发现了问题：训练过程的学习率设置为0.001，但是训练的时候损失值不下降，停留于0.3附近，如下图所示。
因此，之后要继续思考如何调整与修改，比如调整学习率？优化方式？网络结构？
2.2 Latex的下载与安装
在这段时间，也抽空安装与下载了Latex，见链接：LaTex的下载与安装（2024小白+windows系统）-CSDN博客。在该链接中写明了本次安装过程与遇到的问题及解决方式。
2.3 数学公式的学习
见链接：学习记录之数学表达式（5）-CSDN博客
三、下周安排
3.1 存在的问题
- 如何解决损失值不下降的问题？
- 论文的开展：目前最大的问题是实验部分存在问题，网络结构还在修改中。因此，请求延期上交时间，也会加快进度完成。
3.2 计划
- 一边完成实验一边学习论文的书写，两步同时进行。
- 继续学习数学公式。
