--- title: Super_Resolution_CNN_ID3003-PyTorch-模型库-ModelZoo-昇腾社区 description: 生态贡献模型 keywords: Super,Resolution,CNN,ID,PyTorch,模型库,ModelZoo,昇腾社区 url: https://www.hiascend.com/software/modelzoo/models/detail/c944228b74c14d89a6efe697f51dfa84?index_id=c944228b74c14d89a6efe697f51dfa84 section: (其他) --- # Super_Resolution_CNN_ID3003-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/c944228b74c14d89a6efe697f51dfa84?index_id=c944228b74c14d89a6efe697f51dfa84 描述: 生态贡献模型 关键词: Super,Resolution,CNN,ID,PyTorch,模型库,ModelZoo,昇腾社区 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) Super_Resolution_CNN_ID3003-PyTorch ## Super_Resolution_CNN_ID3003-PyTorch 视觉生成PyTorch训练147次浏览2026/01/19更新 查看模型源码 Super_Resolution_CNN_ID3003-PyTorch 查看模型源码 ... - 基本信息 [了解详情](https://www.hiascend.com/#%E5%9F%BA%E6%9C%AC%E4%BF%A1%E6%81%AF.md) - 概述 [了解详情](https://www.hiascend.com/#%E6%A6%82%E8%BF%B0.md) - 训练环境准备 [了解详情](https://www.hiascend.com/#%E8%AE%AD%E7%BB%83%E7%8E%AF%E5%A2%83%E5%87%86%E5%A4%87.md) - 快速上手 [了解详情](https://www.hiascend.com/#%E5%BF%AB%E9%80%9F%E4%B8%8A%E6%89%8B.md) - 迁移学习指导 [了解详情](https://www.hiascend.com/#%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E6%8C%87%E5%AF%BC.md) - 高级参考 [了解详情](https://www.hiascend.com/#%E9%AB%98%E7%BA%A7%E5%8F%82%E8%80%83.md) ## 基本信息 发布者（Publisher）：Huawei 应用领域（Application Domain）：Object Detection 版本（Version）：1.1 修改时间（Modified） ：2022.8.16 大小（Size）：190616KB 框架（Framework）：PyTorch 1.5 模型格式（Model Format）：ckpt 精度（Precision）：Mixed 处理器（Processor）：昇腾910 应用级别（Categories）：Official 描述（Description）：基于PyTorch框架的图像超分辨率训练代码 ## 概述 ## 简述 我们提出了一种用于单幅图像超分辨率（SR）的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深度卷积神经网络 (CNN)，它将低分辨率图像作为输入并输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的 SR 方法也可以被视为深度卷积网络。但与单独处理每个组件的传统方法不同，我们的方法联合优化了所有层。我们的深度 CNN 结构轻巧，但展示了最先进的恢复质量，并实现了实际在线使用的快速速度。我们探索不同的网络结构和参数设置，以实现性能和速度之间的权衡. - 参考论文： https://arxiv.org/abs/1501.00092v3 [了解详情](https://arxiv.org/abs/1501.00092v3) - 参考实现： https://github.com/YeongHyeon/Super-Resolution_CNN-PyTorch [了解详情](https://github.com/YeongHyeon/Super-Resolution_CNN-PyTorch) - 适配昇腾 AI 处理器的实现： https://gitee.com/ascend/ModelZoo-PyTorch/tree/master/PyTorch/contrib/cv/others/Super-Resolution_CNN_ID3003_for_Pytorch [了解详情](https://gitee.com/ascend/ModelZoo-PyTorch/tree/master/PyTorch/contrib/cv/others/Super-Resolution_CNN_ID3003_for_Pytorch) - 通过Git获取对应commit_id的代码方法如下： ``` git clone {repository_url} # 克隆仓库的代码 cd {repository_name} # 切换到模型的代码仓目录 git checkout {branch} # 切换到对应分支 git reset --hard ｛commit_id｝ # 代码设置到对应的commit_id 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 ``` ## 默认配置 - 训练超参（单卡）： - batch_size 32 - data_url - train_url - num-epochs - lr 1e-4 - num-workers 8 - seed 123 ## 支持特性 | 特性列表 | 是否支持 | | --- | ---| | 分布式训练 | 是 | | 混合精度 | 是 | | 数据并行 | 否 | ## 混合精度训练 昇腾910 AI处理器提供自动混合精度功能，可以针对全网中float32数据类型的算子，按照内置的优化策略，自动将部分float32的算子降低精度到float16，从而在精度损失很小的情况下提升系统性能并减少内存使用。 ## 开启混合精度 基于NPU芯片的架构特性，会涉及到混合精度训练，即混合使用float16和float32数据类型的应用场景。使用float16代替float32有如下好处： - 对于中间变量的内存占用更少，节省内存的使用。 - 因内存使用会减少，所以数据传出的时间也会相应减少。 - float16的计算单元可以提供更快的计算性能。 但是，混合精度训练受限于float16表达的精度范围，单纯将float32转换成float16会影响训练收敛情况，为了保证部分计算使用float16来进行加速的同时能保证训练收敛，这里采用混合精度模块Apex来达到以上效果。混合精度模块Apex是一个集优化性能、精度收敛于一身的综合优化库。 适配昇腾AI处理器的混合精度模块Apex除了上述优点外，还能提升运算性能。具体如下： - Apex在混合精度运算过程中，会对模型的grad进行运算。开启combine_grad开关，可以加速这些运算。具体为将amp.initialize()接口参数combine_grad设置为True； - 适配后的Apex针对adadelta/adam/sgd/lamb做了昇腾AI处理器亲和性优化，得到的NPU融合优化器与原生算法保持一致，但运算速度更快。使用时只需将原有优化器替换为apex.optimizers.*（“*”为优化器名称，例如NpuFusedSGD）。 - 适配后的Apex针对数据并行场景做了昇腾AI处理器亲和性优化，支持利用融合grad进行加速，同时保持计算逻辑一致性。通过开启combine_ddp开关，也就是将amp.initialize()接口参数combine_ddp设置为True并DistributedDataParallel，即可开启该功能。 特性支持 混合精度模块功能和优化描述如表1 [了解详情](https://www.hiascend.com/#table10717173813332)所示。 表 1混合精度模块功能 | 功能 | 描述 | | --- | ---| | O1配置模式 | Conv，Matmul等使用float16计算，其他如Softmax、BN使用float32。 | | O2配置模式 | 除了BN使用float32外，其他绝大部分使用float16。 | | 静态Loss Scale功能 | 静态设置参数确保混合精度训练收敛。 | | 动态Loss Scale功能 | 动态计算loss Scale值并判断是否溢出。 | 说明： - 当前版本的实现方式主要为python实现，不支持AscendCL或者CUDA优化。 - 当前昇腾AI设备暂不支持原始Apex的FusedLayerNorm接口模块，如果模型原始脚本文件使用了FusedLayerNorm接口模块，需要在模型迁移过程中将脚本头文件“from apex.normalization import FusedLayerNorm“替换为“from torch.nn import LayerNorm“。 将混合精度模块集成到PyTorch模型中 1. 使用apex混合精度模块需要首先从apex库中导入amp，代码如下： ``` from apex import amp ``` 2. 导入amp模块后，需要初始化amp，使其能对模型、优化器以及PyTorch内部函数进行必要的改动，初始化代码如下： ``` model, optimizer = amp.initialize(model,optimizer,opt_level='O2',loss_scale=32.0,combine_grad=True) ``` 3. 标记反向传播.backward()发生的位置，这样Amp就可以进行Loss Scaling并清除每次迭代的状态，代码如下： 原始代码： ``` loss = criterion(…) loss.backward() optimizer.step() ``` 修改以支持loss scaling后的代码： ``` loss = criterion(preds, labels) optimizer.zero_grad() # loss.backward() with amp.scale_loss(loss, optimizer) as scaled_loss: scaled_loss.backward() optimizer.step() ``` ## 训练环境准备 - 硬件环境和运行环境准备请参见《CANN软件安装指南 [了解详情](https://support.huawei.com/enterprise/zh/ascend-computing/cann-pid-251168373?category=installation-update)》 - 运行以下命令安装依赖。 ``` pip3 install requirements.txt ``` 说明：依赖配置文件requirements.txt文件位于模型的根目录 ## 快速上手 ## 数据集准备 1、用户自行准备好数据集，使用91图像数据集作为训练集，使用Set-5数据集作为验证集。 2、Super-Resolution_CNN训练的模型及数据集可以参考"简述 -> 参考实现" ## 模型训练 - 单击“立即下载”，并选择合适的下载方式下载源码包。 - 开始训练。 - 启动训练之前，首先要配置程序运行相关环境变量。 环境变量配置信息参见： Ascend 910训练平台环境变量设置 [了解详情](https://gitee.com/ascend/modelzoo/wikis/Ascend%20910%E8%AE%AD%E7%BB%83%E5%B9%B3%E5%8F%B0%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F%E8%AE%BE%E7%BD%AE?sort_id=3148819) - 单卡训练 1. 配置训练参数。 首先在脚本test/train_full_1p.sh中，配置batch_size、steps、epochs、data_path等参数，请用户根据实际路径配置data_path，或者在启动训练的命令行中以参数形式 下发。 ``` --data_url=${data_path} --train_url=${output_path} --num-epochs=500 ``` 2. 启动训练。 启动单卡训练 （脚本为Super-Resolution_CNN_ID3003_for_Pytorch / test / train_full_1p.sh） ``` bash train_full_1p.sh --data_path='dataset' ``` 3. 精度指标。 ``` | 精度指标项 | 论文发布 | GPU实测 | NPU实测 | | ---------- | -------- | ------- | ------- | | PSNR | 32.75 | 33.27 | 33.27 | ``` ## 高级参考 ## 脚本和示例代码 ``` ├── train.py //网络训练与测试代码 ├── README.md //代码说明文档 ├── modelzoo_level.txt ├── datasets.py ├── model.py ├── prepare.py ├── requirements.txt //训练python依赖列表 ├── modelarts_entry_acc.py //单卡全量训练启动代码 ├── modelarts_entry_perf.py //单卡训练验证性能启动代码 ├── test │ ├──train_performance_1p.sh //单卡训练验证性能启动脚本 │ ├──train_full_1p.sh //单卡全量训练启动脚本 ``` ## 脚本参数 ``` -- batch_size 32 -- data_url -- train_url -- num-epochs -- lr 1e-4 -- num-workers 8 -- seed 123 ``` ## 训练过程 通过“模型训练”中的训练指令启动单卡或者多卡训练。单卡和多卡通过运行不同脚本，支持单卡，8卡网络训练。模型存储路径为curpath/output/{cur_path}/output/curpath/output/ASCEND_DEVICE_ID，包括训练的log以及checkpoints文件。以单卡训练为例，loss信息在文件curpath/output/{cur_path}/output/curpath/output/{ASCEND_DEVICE_ID}/train_${ASCEND_DEVICE_ID}.log中。 | 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)