DnCNN for PyTorch

概述

简述

DnCNN使用端到端的神经网络模型进行图像降噪，DnCNN结合了ResNet的residual learning（残差学习），但不同的是，DnCNN并非是每隔两层就加一个shortcut，而是将网络的输出直接改成residual image（残差图片），DnCNN的优化目标是真实残差图片与网络输出之间的MSE（均方误差）。DnCNN强调了residual learning 和 batch normalization（批量归一化）在图像复原中相辅相成的作用，在较深的网络中，也能很快的收敛并获得很好的性能。此外，DnCNN可以用单模型应对不同程度的高斯去噪、具有多个放大因子的单图像超分辨率，以及具有不同质量因子的 JPEG 图像去块。

• 参考实现：

  url=https://github.com/SaoYan/DnCNN-PyTorch
  commit_id=6b0804951484eadb7f1ea24e8e5c9ede9bea485b
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/classification
  

准备训练环境

该模型为不随版本演进模型（随版本演进模型范围可在此处查看），未在最新昇腾配套软件中适配验证，您可以：

1. 根据下面提供PyTorch版本在软件版本配套表中选择匹配的CANN等软件下载使用。
2. 查看软件版本配套表后确认对该模型有新版本PyTorch和CANN中的适配需求，请在modelzoo/issues中提出您的需求。自行适配不保证精度和性能达标。

准备环境

• 当前模型支持的 PyTorch 历史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
  PyTorch 1.8	torchvision==0.9.1

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 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。

   用户需要将参考实现下面的 data 目录整个拷贝到当前源码包(DnCNN)根目录下或服务器的任意目录下。

   数据集目录结构参考如下所示。

   ├── data
        ├──Set12
            │──图片1
            │──图片2
            │   ...       
        ├──Set68  
            │──图片1
            │──图片2
            │   ...
        ├──train
            │──图片1
            │──图片2
            │   ...             
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

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 --data_path=/data/xxx/  # 单卡精度
     
     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
     

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path=/data/xxx/    # 启动评测脚本前，需对应修改评测脚本中的resume参数，指定ckpt文件路径
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --data_path                         //数据集路径
   --num_of_layers                     //网络模型层数
   --mode                              //训练模式
   --noiseL                            //噪声级别
   --val_noiseL                        //验证噪声级别      
   --epochs                            //重复训练次数
   --batchSize                         //训练批次大小
   --lr                                //初始学习率，默认：0.001
   --preprocess                        //创建h5py数据集
   

   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	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	32.06	2200	50	O2	1.5
8p-竞品V	31.35	-	50	O2	1.5
1p-NPU	31.85	10520	50	O2	1.8
8p-NPU	31.12	32100	50	O2	1.8

版本说明

变更

2022.03.18：首次发布。

FAQ

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md