---
title: edsr_x2-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境,准备环境,准备数据集
url: https://www.hiascend.com/software/modelzoo/models/detail/74a82742efff4dfaa2e01f7575eb784c
section: (其他)
---

# edsr_x2-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/74a82742efff4dfaa2e01f7575eb784c
描述: 生态贡献模型
关键词: PyTorch,模型库,ModelZoo,昇腾社区,概述,准备训练环境,准备环境,准备数据集


模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

edsr_x2-PyTorch

## edsr_x2-PyTorch

视觉生成PyTorch训练2023/08/20更新

5.0


edsr_x2-PyTorch


模型使用

版本信息

模型使用

版本信息


# 概述

EDSR是一种增强的深度超分辨率网络，通过从传统的ResNet架构中移除不必要的模块，采用因子为0.1的残差尺度来提高模型性能。在每个剩余块中，在最后一个卷积层之后放置常数尺度层。当使用大量的滤波器时，这些模块极大地稳定了训练过程。

- 参考实现：

```
url=https://github.com/thstkdgus35/EDSR-PyTorch 
commit_id=585ce2c4fb80ae6ab236f79f06911e2f8bef180c
```
- 适配昇腾 AI 处理器的实现：

```
url= https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/contrib/cv/others
```
- 通过Git获取代码方法如下：

```
git clone {url}       # 克隆仓库的代码
cd {code_path}        # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
```
- 通过单击“立即下载”，下载源码包。

# 准备训练环境

## 准备环境

- 当前模型支持的固件与驱动、 CANN 以及 PyTorch 如下表所示。

表 1 版本配套表

| 配套 | 版本 |
| --- | ---|
| 固件与驱动 | 5.1.RC2 |
| CANN | 5.1.RC2 |
| PyTorch | 1.8.1 |
- 环境准备指导。

请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。
- 安装依赖（根据模型需求，按需添加所需依赖）。

`pip install -r requirements.txt`

## 准备数据集

1. 获取数据集。

用户自行获取原始数据集。
 Download the DIV2K dataset fromhttps://cv.snu.ac.kr/research/EDSR/DIV2K.tar [了解详情](https://cv.snu.ac.kr/research/EDSR/DIV2K.tar)(~7.1 GB)。

```
├── DIV2K
     ├── DIV2K_test_LR_bicubic
          ├──X2     
          ├──X3  
          ├──X4                    
     ├── DIV2K_test_LR_unknown  
          ├──X2      
          ├──X3
          ├──X4
     ├── DIV2K_train_LR_bicubic
          ├──X2      
          ├──X3  
          ├──X4                    
     ├── DIV2K_train_LR_unknown  
          ├──X2    
          ├──X3
          ├──X4 
```
2. 数据预处理

加载数据过程中会自行实现预处理。如有其他需要请自行补充。

# 开始训练

## 训练模型

1. 进入解压后的源码包根目录。

```
cd /${模型文件夹名称}
```
2. 运行训练脚本。

```
# real_data_path为包含DIV2K数据集文件夹的目录

# 1p training full
bash test/train_full_1p.sh --data_path=real_data_path

# 1p train perf
bash test/train_performance_1p.sh --data_path=real_data_path

# 1p testing
bash test/train_eval_1p.sh.sh --pre_train_model=/path/to/model_best.pt --data_path=real_data_path

# 8p training full
bash test/train_full_8p.sh --data_path=real_data_path

# 8p train perf
bash test/train_performance_8p.sh --data_path=real_data_path

# 8p testing
bash test/train_eval_8p.sh.sh --pre_train_model=/path/to/model_best.pth --data_path=real_data_path

# finetuning
bash test/train_finetune_1p.sh --data_path=real_data_path --pre_train_path=/path/to/model_best.pt

# demo
# 先将待测试图片放到 test 文件夹，输出图片会放在在 output_sr 文件夹
python3 demo.py --cpu --pre_train=/path/to/model_best.pth
```

日志路径：

单卡训练

```
test/output/train_${device_id}/train_${device_id}.log  # training detail log
test/output/train_${device_id}/EDSR_x2_bs16_1p_acc  # 1p training performance result log
test/output/train_${device_id}/train_EDSR_x2_bs16_1p_acc_loss   # 1p training accuracy result log
```

多卡训练

```
test/output/train_${device_id}/train_${device_id}.log  # training detail log
test/output/train_${device_id}/EDSR_x2_bs16_8p_acc  # 8p training performance result log
test/output/train_${device_id}/train_EDSR_x2_bs16_8p_acc_loss   # 8p training accuracy result log
```

模型训练脚本参数说明如下，以train_performance_1p.sh为例：

```
################基础配置参数，需要模型审视修改##################
# 必选字段(必须在此处定义的参数): Network batch_size RANK_SIZE
# 网络名称，同目录名称
Network="EDSR_x2"
# 训练batch_size
batch_size=16
# 训练使用的npu卡数
export RANK_SIZE=1
# 数据集路径,保持为空,不需要修改 train_path=./data/TrainDataset
data_path=""

# 训练epoch
train_epochs=2
# 指定训练所使用的npu device卡id=0 多卡id=1(用于输出日志)
device_id=0
# 加载数据进程数
workers=128

公共参数：
--data_path=./DIV2K                     //训练数据集路径 
--seed=49                               //设置随机种子
--workers=${workers}                    //加载数据进程数
--lr=1e-4                               //初始学习率
--world-size=1                          //服务器台数
--device='npu'                          //计算芯片类型
--gpu=${ASCEND_DEVICE_ID}               //计算芯片序号
--dist-backend='hccl'                   //通信后端
--epoch=${train_epochs}                 //训练epoch数
--loss-scale=128                        //loss-scale大小
--amp                                   //是否开启混合精度
--batchsize=${batch_size} > ${test_path_dir}/output/${ASCEND_DEVICE_ID}/train_${ASCEND_DEVICE_ID}.log 2>&1 &                        //日志路径
```

# 训练结果展示

表 2 训练结果展示表

| NAME | PT版本 | PSNR(dB) | FPS | Epochs | AMP_Type |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | 1.5 | - | - | - | - |
| 1p-NPU | 1.5 | 35.001 | - | 281 | O2 |
| 1p-NPU | 1.8 | 35.866 | 32.305 | 86 | O2 |
| 8p-竞品V | 1.5 | - | - | - | - |
| 8p-NPU | 1.5 | 34.943 | - | 300 | O2 |
| 8p-NPU | 1.8 | 34.802 | 287.435 | 86 | O2 |

# 版本说明

## 变更

2022.08.15：更新pytorch1.8版本，重新发布。

2020.07.08：首次发布。

## 已知问题

无

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/08/20 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo |

使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)