目錄

• 參考鏈接
• 0. 安裝所需環境tensorflow==1.4.1 python=3.6
• 1. 制作數據集
• • 1.1 我原本的數據集分布
  • 1.2 運行代碼`tools/process.py`生成pix2pix所需圖像
• 2. 開始訓練
• 3. 代碼更改與學習記錄
• • 3.1 加入代碼，記錄log打印日志
  • 3.2 損失的作用和標準
• 4. 錯誤記錄
• • 3.1 執行train.py時，出現錯誤：Nan in summary histogram【梯度爆炸】

參考鏈接

• github代碼：👉github-pix2pix-tensorflow（這個版本的代碼是比較老的，tensorflow框架的。直接在github上搜索pix2pix可以直接檢索到最新的基于Pytorch的代碼：pytorch-CycleGAN-and-pix2pix）

• 相關的文章：從樣本到部署Pix2Pix圖像翻譯案例全流程記錄

• Linux環境下的配置可以參考：AotuDL中Linux環境下運行pix2pix-tensorflow的環境配置（tensorflow==1.8.0 python==3.6）

• pix2pix、pix2pixHD 通過損失日志進行訓練可視化

0. 安裝所需環境tensorflow==1.4.1 python=3.6

github上的代碼說的需要的版本是tensorflow==1.4.1，但是找遍全網，發現并沒有1.4.1的版本，全部都是關于1.4.0版本的安裝。然后就看到了這個問題的回答：I am not able to install tensorflow=1.4.1。大概意思就是說：tensorflow==1.4.1是在Linux中可使用的版本，在Windows下可用1.4.0版本替代（然偶看了下github代碼，確實他是在Linux下運行的）

所以就參考這篇博文安裝1.4.0版本：tensorflow1.4的詳細安裝教程，我下載的是GPU的tensorflow1.4.0，點擊可直接下載👉tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl

#-------------------------可能會用到的命令----------------------------#

• 查看已有的虛擬環境：conda info --env
• 刪除不想要的虛擬環境：conda remove -n xxx -all
• 如需修改虛擬環境默認安裝路徑，可參考：Anaconda 修改默認虛擬環境安裝位置

#--------------------------------------------------------------------------------#

在這個里面鍵入以下命令：

創建虛擬環境tf1.4

conda create -n tf1.4 python=3.6

激活并進入到tf1.4虛擬環境

conda activate tf1.4

安裝tensorflow_gpu-1.4.0
點擊下載鏡像：tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl

然后鍵入以下命令：（鍵入這個鏡像的絕對路徑。conda不好用時，可換成pip。-i后面是引用豆瓣源加速）

conda install .../tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl -i http://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com

• 參考這篇文章知道應該安裝keras=2.0.8的版本：解決AttributeError: module ‘tensorflow‘ has no attribute ‘placeholder‘問題（只是暫存一下，還沒有做關于keras的修改，看了一下安裝的tensorflow好像沒有自帶著下載keras，所以需要用keras時再下載2.0.8版本的吧）

安裝對應的CUDA和cudnn

點擊直接下載👇，下載后的安裝流程可參考tensorflow-gpu版本安裝教程（過程詳細）：

• CUDA：cuda_9.1.85_win10.exe
• cudnn：cudnn-9.1-windows10-x64-v7

我的顯卡是RTX3050，可用的是CUDA v11.3的，所以之前就已經安裝過CUDA113了，對應安裝了tensorflow=2.6.0 python=3.8的。但是本文的代碼是需要tensorflow=1.4.0 python=3.6的，對應的CUDA是版本 v9.1的，所以我需要重新安裝CUDA v.9.1以及相應cudnn。
但是我原本的CUDA v11.3并沒有卸載。我看有的文章說的一臺電腦可安裝多個CUDA，不同虛擬環境中的tensorflow會自動選擇對應的CUDA版本，只要在環境變量中指明了每個CUDA的安裝位置即可（其實在每個CUDA安裝的時候，都會自動將自己的路徑添加系統變量path，如下圖，但是要留意一下圖中的2點，現在是指向v9.1的，不知道會不會影響v11.3的使用，要以后用到了才知道咯~）

測試是否tensorflow-gpu安裝配置成功

activate tf1.4 python import tensorflow as tf tf.test.is_gpu_available() # True

---

發現安裝了CUDAv9.1之后多了個這個：

Visual Profiler 是是一個圖形化的剖析工具，可以顯示你的應用程序中CPU和GPU的活動情況，利用分析引擎幫助你尋找優化的機會。（摘錄自CUDA入門（四）Visual Profiler）

1. 制作數據集

1.1 我原本的數據集分布

G:. ├─images │ ├─train │ └─val ├─labels │ ├─train │ └─val

1.2 運行代碼tools/process.py生成pix2pix所需圖像

需要用到的4個重要參數：

input_dir：圖像文件夾1（images）

b_dir：圖像文件夾2（labels）

operation：選擇的操作，我這里選擇的操作直接是合并👉combine

output_dir：合并圖像的保存文件夾

運行后的文件夾分布為：

G:. ├─images │ ├─train │ └─val ├─labels │ ├─train │ └─val -------------------上面是原本的數據-------------------- ------------------下面是合并后的數據-------------------- ├─train └─val

整體的運行命令：

• 合并生成train數據集：

python process.py --input_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/images/train --output_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/train --b_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/labels/train --operation combine

• 合并生成val數據集：

python process.py --input_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/images/val --output_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/val --b_dir G:/pycharmprojects/pytorch-CycleGAN-and-pix2pix-master/datasets/linedataset/labels/val --operation combine

合并后的圖像示例：（其實就是直接把兩張圖片橫著拼在一起了，自己寫代碼也能實現）

2. 開始訓練

可以啟動visdom查看曲線，但是啟動visdom就會占用一個終端。而運行的代碼也需要從終端鍵入命令。所以應該可以類似這樣去輸入：python -m visdom.server & python train.py

傳入的地址須要是絕對地址：

python pix2pix.py --input_dir G:\pycharmprojects\pytorch-CycleGAN-and-pix2pix-master\datasets\linedataset\train --mode train --outp ut_dir runs/linedata_pix2pix --max_epochs 200 --which_direction BtoA --batch_size 32

訓練過程中的終端界面：

（如果顯存不夠，很大可能就一直卡在這個地方了。所以我選擇在AutoDL云服務器上調大batch_size跑代碼。想使用AutoDL的可參考博客：AutoDL使用教程：1）創建實例 2）配置環境+上傳數據 3）PyCharm2021.3專業版下載安裝與遠程連接完整步驟）

3. 代碼更改與學習記錄

3.1 加入代碼，記錄log打印日志

如下，在pix2pix.py的793行代碼下面添加如下代碼：

代碼：

# --------------lwd edit--------------- #txt_path = os.path.join(a.output_dir, 'result.txt')with open(txt_path, 'a') as f: # a 表示追加寫入f.write("progress epoch %d step %d image/sec %0.1f remaining %dm" % (train_epoch, train_step, rate, remaining / 60))f.write(f'discrim_loss: {results["discrim_loss"]} | gen_loss_GAN: {results["gen_loss_GAN"]} | gen_loss_L1: {results["gen_loss_L1"]}\n\n')# -------------------------------------- #

3.2 損失的作用和標準

參考自官方文檔：https://www.tensorflow.org/tutorials/generative/pix2pix

4. 錯誤記錄

3.1 執行train.py時，出現錯誤：Nan in summary histogram【梯度爆炸】

• 參考鏈接：執行train.py時，訓練到一半出現錯誤：Nan in summary histogram for: ModelVars/FeatureExtractor/MobilenetV1/Conv

出現原因：batch-size設為了1

解決方法：batch-size不設為1（設置成偶數比較好）（好像并沒有解決）

• 參考鏈接：pix2pix-tensorflow的一個issue：Invalid argument: Nan in summary histogram for: generator/encoder_1/conv2d/kernel/values #190，見下圖，說的是學習率太高了（所以我將--lr參數設置為了0.00001）

• 參考鏈接：stackoverflow-Nan in summary histogram，通常 NaN 是模型不穩定的標志，例如梯度爆炸

總結

以上是生活随笔為你收集整理的【用于图像修复、数据增强等】结合官方代码教程，在Windows 10下运行pix2pix-tensorflow（tensorflow==1.4.0 python=3.6）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。