---
title: RCAN-PyTorch-模型库-ModelZoo-Atlas Community
description: 生态贡献模型
keywords: RCAN,PyTorch,模型库,ModelZoo,Atlas,Community,概述,简述
url: https://www.hiascend.com/software/modelzoo/models/detail/a789b4d8ee3948bdb43c161fdb5708f7?index_id=a789b4d8ee3948bdb43c161fdb5708f7
section: (其他)
---

# RCAN-PyTorch-模型库-ModelZoo-Atlas Community

URL: https://www.hiascend.com/software/modelzoo/models/detail/a789b4d8ee3948bdb43c161fdb5708f7?index_id=a789b4d8ee3948bdb43c161fdb5708f7
描述: 生态贡献模型
关键词: RCAN,PyTorch,模型库,ModelZoo,Atlas,Community,概述,简述

ModelZoo主页

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流

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

RCAN-PyTorch

## RCAN-PyTorch

视觉分割PyTorch训练209次浏览2023/08/20更新

No rating yet

Rate This Document

查看模型源码

RCAN-PyTorch

查看模型源码

...

# 概述

## 简述

卷积神经网络（CNN）深度对于图像超分辨率（SR）至关重要。然而，更深层的图像SR网络更难训练。低分辨率的输入和特征包含丰富的低频信息，这些信息在通道间被平等对待，因此阻碍了CNN的表征能力。为了解决这些问题，提出了超深剩余通道注意网络（RCAN）。具体地说，RCAN是一种残差中残差（RIR）结构来形成非常深的网络，它由几个具有长跳跃连接的残差组组成。每个剩余组包含一些具有短跳过连接的剩余块。同时，RIR允许通过多个跳转连接绕过丰富的低频信息，使主网络专注于学习高频信息。此外，提出了一种通道注意机制，通过考虑通道之间的相互依赖性，自适应地重新缩放通道特征。大量实验表明，RCAN相对于最先进的方法实现了更好的准确性和视觉改善。

- 参考实现：

```
url=https://github.com/yjn870/RCAN-pytorch.git
commit_id=0cba4c714eea8b2fdbc9a146313088cd9cc134f5
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/contrib/cv/semantic_segmentation
```

# 准备训练环境

## 准备环境

- 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

表 1版本支持表

| Torch_Version | 三方库依赖版本 |
| --- | ---|
| PyTorch 1.5 | torchvision==0.2.2.post3；pillow==8.4.0 |
| PyTorch 1.8 | torchvision==0.9.1；pillow==9.1.0 |
- 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。

在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

```
pip install -r 1.5_requirements.txt  # PyTorch1.5版本

pip install -r 1.8_requirements.txt  # PyTorch1.8版本
```

说明：只需执行一条对应的PyTorch版本依赖安装命令。

## 准备数据集

1. 获取数据集。

用户自行获取原始数据集，模型训练使用DIV2K数据集，请自行在 DIV2K dataset 官网上下载 DIV2K_train_HR.zip和DIV2K_valid_HR.zip，将数据集上传到服务器任意路径下并解压。模型评测使用Set5数据集，数据请用户自行获取。

以DIV2K数据集为例，数据集目录结构参考如下所示。

```
├── DIV2K
     ├── train
          ├──图片1     
          ├──图片2  
          ├── ...                  
     ├── test  
          ├──图片1     
          ├──图片2  
          ├── ... 
├── Set5
     ├── original
          ├──图片1     
          ├──图片2  
          ├──图片3
          ├──图片4     
          ├──图片5   
```

说明：该数据集的训练过程脚本只作为一种参考示例。
2. 数据预处理。

训练前需要进行数据集预处理，对原始数据集进行裁剪保存，请在源码包根目录下执行以下命令。

```
python3 ./dataset_make.py --input_zip_path=raw_data_path --dataset_path=real_traindata_path

# raw_data_path为下载的两个DIV2K压缩包所在的目录路径。
# real_traindata_path为存储最终增强数据集的路径。

示例：python3 ./dataset_make.py --input_zip_path=/home/dataset/dataset_RCAN/DIV2K/ --dataset_path=/home/dataset/dataset_RCAN/dataset_DIV2K/
```

# 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。

该模型支持单机单卡训练和单机8卡训练。

- 单机单卡训练

启动单卡训练。

```
bash ./test/train_full_1p.sh --train_dataset_dir=real_traindata_path --test_dataset_dir=real_testdata_path  # 单卡精度

bash ./test/train_performance_1p.sh --train_dataset_dir=real_traindata_path --test_dataset_dir=real_testdata_path  # 单卡性能

示例：bash ./test/train_full_1p.sh --train_dataset_dir=/home/dataset/dataset_RCAN/dataset_DIV2K/ --test_dataset_dir=/home/dataset/dataset_RCAN/Set5/original/
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_full_8p.sh --train_dataset_dir=real_traindata_path --test_dataset_dir=real_testdata_path  # 8卡精度

bash ./test/train_performance_8p.sh --train_dataset_dir=real_traindata_path --test_dataset_dir=real_testdata_path  # 8卡性能

示例：bash ./test/train_full_8p.sh --train_dataset_dir=/home/dataset/dataset_RCAN/dataset_DIV2K/ --test_dataset_dir=/home/dataset/dataset_RCAN/Set5/original/
```

--train_dataset_dir参数填写训练集路径，目录层级参考上述示例。

--test_dataset_dir参数填写测试集路径，目录层级参考上述示例。

模型训练脚本参数说明如下。

```
公共参数：
--arch                              //网络模型选择，默认："RCAN"
--train_dataset_dir                 //训练数据文件路径
--test_dataset_dir                  //测试数据文件路径
--batch_size                        //训练批次大小
--num_epochs                        //训练周期数
--lr                                //初始学习率
--workers                           //加载数据线程数
--seed                              //随机数种子设置
--amp                               //是否使用混合精度
--loss_scale                        //设置loss scale大小
--opt_level                         //混合精度类型
--device_id                         //训练卡ID设置
```

训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

# 训练结果展示

表 2训练结果展示表

| NAME | PSNR | FPS | Epochs | AMP_Type | Torch_version |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | - | - | 1 | O2 | 1.5 |
| 8p-竞品V | 38.12 | 828 | 600 | O2 | 1.5 |
| 1p-NPU | - | 280.168 | 1 | O2 | 1.8 |
| 8p-NPU | 37.815 | 1303.86 | 600 | O2 | 1.8 |

# 版本说明

## 变更

2023.03.15：更新readme，重新发布。

2021.01.10：首次发布。

## FAQ

无。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|

暂无数据

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)