一般在一个新的 trick 和 experience 开坑时，都会先暂时粗略地搬运一些其他地方的内容，或者简略描述。偶尔精进与专门研究时，会特别地丰富和细致化该内容。

# `pytorch_mssim.ssim` 的使用

以下面计算 ssim 的代码为例：

ssim_value = ssim(final, gt_batch, data_range=2.0, size_average=True)

data_range 表示图像像素值的动态范围（最大值与最小值的差）。如果输入图像经过归一化处理（如 transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]) ），则像素值范围会被映射到 [-1, 1] 。此时 data_range 应设为 2.0 （因为 1 - (-1) = 2 ），而不是 1.0 。

SSIM 默认假设输入范围是 [0, 1] （当 data_range=1 ）或 [0, 255] （当 data_range=255 ）。

size_average=True 会将 SSIM 值在所有图像和通道上取平均。 pytorch_msssim 的新版本使用 reduction 取代这个参数，重写为： reduction='mean' 。

有时候，应该确保输入给 ssim 做计算时的数据范围在 [-1, 1] 之间，不然，则要裁剪处理：

	final_clamped = torch.clamp(final, 0.0, 1.0)
	ssim_value = ssim(final_clamped, gt_batch, data_range=1.0, size_average=True)

# 损失函数下降、震荡、上升的原因

在训练包含多个损失函数的模型时，各子损失函数的变化趋势能够反映模型的学习动态和优化方向。以下是不同趋势的详细分析及应对策略：
# 一、损失函数整体持续下降
# 含义解析
良性学习信号：模型正在有效优化该任务目标，权重分配合理，数据质量良好。
潜在风险：
过拟合倾向：若验证集对应指标未同步下降，可能过拟合训练数据。
任务主导性：其他损失未充分优化，模型可能偏向该任务。
# 典型案例
重建损失（如 L1/L2）持续下降，但对抗损失震荡 → 模型过度拟合像素级精度，忽视生成真实性。
# 应对策略
验证泛化性：检查验证集对应指标是否同步改善
调整权重：若其他损失停滞，适当降低该损失权重（如从 1.0→0.7）
早停机制：当验证损失不再下降时停止训练
# 二、损失函数震荡波动
# 含义解析
优化不稳定：学习率过高、批次过小或损失间存在冲突。
数据问题：噪声数据或类别不均衡导致梯度方向不一致。
对抗性博弈：典型于 GAN 的判别器与生成器损失交替上升。
# 数值特征
高频震荡（如 ±5%）：常由学习率过大引起
低频震荡（如每 5 个 epoch 变化）：多任务目标冲突
# 典型案例
分类损失下降但正则化损失震荡 → L2 正则化强度过高导致参数更新不稳定
# 应对策略
降低学习率：将初始学习率减少 3-5 倍（如 2e-4→5e-5）
增大批次大小：从 32 提升至 128，稳定梯度估计
梯度裁剪：设置 max_grad_norm=1.0
冲突分析：计算损失梯度余弦相似度，对负相关损失解耦训练
# 三、损失函数持续上升
# 含义解析
严重警告信号：模型在该任务上性能退化，优化方向错误。
常见诱因：
损失权重倒置：如误将权重设为负数
任务本质冲突：如超分辨率任务中，L1 损失下降但感知损失上升
数值不稳定：梯度爆炸导致损失进入病态区域
# 典型案例
对抗损失上升而重建损失下降 → 判别器过强导致生成器无法有效学习
# 应对策略
立即暂停训练：检查损失计算代码和权重符号
损失权重热力图：可视化各损失对总损失的贡献比例
渐进式训练：分阶段引入上升的损失项（如先用 L1 预训练，第 50epoch 加入对抗损失）
架构改进：对于根本性冲突，修改网络结构（如增加多尺度特征融合模块）
# 四、综合优化建议
动态权重调整：采用不确定性加权法（如《Multi-Task Learning Using Uncertainty to Weigh Losses》）
# 各损失自动加权示例
log_var = torch.nn.Parameter(torch.zeros(3)) # 3 个损失
loss = 0.5*(loss1/torch.exp(log_var[0]) + loss2/torch.exp(log_var[1]) + log_var.sum())
损失相关性监控：计算各损失间的 Pearson 相关系数矩阵，识别冲突组合
课程学习策略：早期侧重易优化损失（如 L1），后期加强高阶损失（如 SSIM、VGG 感知损失）
可视化工具：使用 TensorBoard 的并行坐标视图对比超参数与损失关系
# 五、调试检查清单
当出现异常损失趋势时，按以下顺序排查：
数值检查：
确认损失计算未出现 NaN/Inf
检查梯度幅值（ torch.nn.utils.clip_grad_norm_ ）
数据流验证：
# 数据检查代码片段
for batch in val_loader:
    print(batch['image'].min(), batch['image'].max()) # 应为 [0,1] 或 [-1,1]
    visualize(batch['image'][0]) # 肉眼验证图像质量
权重合理性：确保各损失量级匹配（如 L1≈0.1，对抗损失≈2.0 时，需调整权重平衡）
模型容量测试：在小数据集（如 100 样本）上过拟合，验证能否达到预期损失
通过系统分析损失动态，可精准定位模型优化瓶颈，实现多目标协同优化。

# `transforms.Resize()`

这个与 RandomCrop() 还不太一样， Resize() 是等比例的缩放原图。所以存在一定的信息损失，一般不使用这种操作。

# 不确定性损失加权法 —— 多任务损失均衡

以下是使用不确定性加权法改造后的损失函数实现：

	import torch
	import torch.nn as nn
	import torch.nn.functional as F
	from pytorch_msssim import ssim

	class UncertaintyWeightedLoss(nn.Module):
	def __init__(self, trans, num_tasks=5):
	"""
	trans: HVI转换器实例
	num_tasks: 需要加权的损失项数量（这里包含L1, SSIM, Res, Cons, HVI）
	"""
	super().__init__()
	self.trans = trans
	# 初始化可学习的不确定性参数（log 方差）
	self.log_vars = nn.Parameter(torch.zeros(num_tasks))
	# 初始化参数（可选）
	nn.init.uniform_(self.log_vars, -3, -1) # 初始方差在 0.05~0.37 之间

	def compute_losses(self, final, gt, output, S1, P1, S2, P2):
	"""分解计算各个基础损失项"""
	# RGB 空间损失
	l1_loss = F.l1_loss(final, gt)
	ssim_loss = 1 - ssim(final, gt, data_range=1.0, size_average=True)

	# 残差一致性损失
	loss_res1 = F.mse_loss(S1, P1 + S2) / (S1.detach().var() + 1e-6)
	loss_res2 = F.mse_loss(S2, P2 + S1) / (S2.detach().var() + 1e-6)
	res_loss = loss_res1 + loss_res2

	# 下采样一致性损失
	g1, g2 = pair_downsampler(output)
	cons_loss = F.l1_loss(S1, P1 + g1) + F.l1_loss(S2, P2 + g2)

	# HVI 空间损失
	final_hvi = self.trans.HVIT(final)
	gt_hvi = self.trans.HVIT(gt)
	hvi_l1 = F.l1_loss(final_hvi, gt_hvi)
	hvi_edge = edge_loss(final_hvi, gt_hvi)

	return [l1_loss, ssim_loss, res_loss, cons_loss, hvi_l1, hvi_edge]

	def forward(self, final, gt, output, S1, P1, S2, P2):
	# 获取所有基础损失项
	losses = self.compute_losses(final, gt, output, S1, P1, S2, P2)

	# 应用不确定性加权
	total_loss = 0.0
	for i, loss in enumerate(losses):
	precision = torch.exp(-self.log_vars[i])
	total_loss += precision * loss + self.log_vars[i]

	# 返回总损失和详细损失项（用于监控）
	loss_details = {
	'total': total_loss,
	'l1': losses[0],
	'ssim': losses[1],
	'res': losses[2],
	'cons': losses[3],
	'hvi_l1': losses[4],
	'hvi_edge': losses[5],
	'log_vars': self.log_vars
	}
	return total_loss, loss_details

主要改进点说明：

模块化设计：

	# 初始化方式变化
	trans = RGB_HVI().to(device)
	criterion = UncertaintyWeightedLoss(trans).to(device)

	# 前向计算变化
	total_loss, loss_details = criterion(final, gt, output, S1, P1, S2, P2)

动态权重机制：

每个损失项自动获得权重：weight = exp (-log_var)
包含正则项：log_var 防止方差无限增大
初始权重范围：exp (-3)=0.05 ~ exp (-1)=0.37

训练监控增强：

	# 在训练循环中添加监控
	writer.add_scalars('Loss/Train', {
	'total': loss_details['total'].item(),
	'l1': loss_details['l1'].item(),
	'ssim': loss_details['ssim'].item(),
	'res': loss_details['res'].item(),
	'cons': loss_details['cons'].item(),
	'hvi_l1': loss_details['hvi_l1'].item(),
	'hvi_edge': loss_details['hvi_edge'].item()
	}, total_iter)

	# 监控不确定性参数
	for i, log_var in enumerate(loss_details['log_vars']):
	writer.add_scalar(f'Uncertainty/var_{i}', torch.exp(log_var).item(), epoch)

优化器调整：

	# 需要将损失参数加入优化器
	optimizer = optim.Adam(
	list(model.parameters()) + list(criterion.parameters()),
	lr=args.lr,
	betas=(0.9, 0.999)
	)

梯度稳定性处理：

	# 在训练步骤中添加梯度裁剪
	torch.nn.utils.clip_grad_norm_(
	list(model.parameters()) + list(criterion.parameters()),
	max_norm=1.0
	)

该实现通过以下方式解决原代码问题：

自动平衡机制：

难任务（高方差项）自动获得低权重
简单任务（低方差项）获得高权重
通过反向传播自动调整权重

数值稳定性改进：

使用 log 方差代替直接学习方差，避免除零错误
初始值限制在合理范围
梯度裁剪防止参数爆炸

可解释性增强：

通过 TensorBoard 可直接观察每个任务的：
- 损失值变化曲线
- 自适应权重变化（exp (-log_var)）
- 方差参数演化

实际使用时需要注意：

参数初始化：

	# 如果某些任务需要强调，可以调整初始值
	nn.init.constant_(self.log_vars[4], -2.0) # 强调 HVI_L1 损失

学习率设置：

	# 为损失参数设置更小的学习率
	optimizer = optim.Adam([
	{'params': model.parameters(), 'lr': 1e-4},
	{'params': criterion.parameters(), 'lr': 1e-5}
	])

多阶段训练：

	# 初始阶段固定部分损失权重
	if epoch < warmup_epochs:
	criterion.log_vars.requires_grad_(False)
	else:
	criterion.log_vars.requires_grad_(True)

这种实现方式比手动调整 lambda 参数更科学，尤其在处理类似 HVI 这类新增损失时，能自动平衡其与原有损失项的关系。

# 余弦退火学习率调度器

一代经典的学习率调度器。

模板代码参考如：

	# ... 其他导入 ...
	from torch.optim.lr_scheduler import CosineAnnealingLR

	def main():
	# 参数解析
	parser = argparse.ArgumentParser("MAI_Denoised_Train")
	# ... 原有参数 ...
	parser.add_argument('--min_lr', type=float, default=1e-6, help='minimum learning rate for cosine annealing')
	args = parser.parse_args()

	# ... 模型初始化 ...

	# 初始化优化器和调度器
	optimizer = optim.Adam(model.parameters(), lr=args.lr, betas=(0.9, 0.999), weight_decay=1e-6)
	scheduler = CosineAnnealingLR(optimizer, T_max=args.epochs, eta_min=args.min_lr)

	# 训练循环
	for epoch in range(args.epochs):
	# 训练过程...

	# 验证过程...

	# 更新学习率
	scheduler.step()

	# 记录学习率
	current_lr = scheduler.get_last_lr()[0]
	writer.add_scalar('Learning Rate', current_lr, epoch)
	logging.info(f'Epoch [{epoch+1}/{args.epochs}] Learning Rate: {current_lr:.7f}')

	# ... 后续代码 ...

# `Optuna` 自动化调参

为了使用 Optuna 进行超参数调优，我们需要对代码进行以下主要修改。这里展示关键修改步骤（完整代码见最后）：

	import optuna
	from optuna.trial import Trial

	def objective(trial):
	# 定义可调参数范围
	args = argparse.Namespace(
	batch_size=trial.suggest_categorical('batch_size', [32, 64, 128]),
	lr=trial.suggest_float('lr', 1e-6, 1e-3, log=True),
	lambda_hvi1=trial.suggest_float('lambda_hvi1', 0.001, 0.1),
	lambda_hvi2=trial.suggest_float('lambda_hvi2', 0.001, 0.1),
	lambda_rgb1=trial.suggest_float('lambda_rgb1', 0.1, 2),
	lambda_rgb2=trial.suggest_float('lambda_rgb2', 0.1, 2),
	# 保留其他固定参数...
	cuda=True,
	gpu='cuda:0',
	epochs=100, # 调试时可减少 epoch
	save=f'./EXP/{trial.number}' # 为每个 trial 创建独立目录
	)

	# 运行训练并返回验证指标
	final_psnr = train_model(args, trial)
	return final_psnr

	def train_model(args, trial=None):
	# [原 main () 函数内容在这里重构]
	# 在验证循环中报告中间结果
	if trial:
	trial.report(val_psnr, epoch)
	if trial.should_prune():
	raise optuna.exceptions.TrialPruned()

	return best_val_psnr # 返回需要优化的指标

	if __name__ == "__main__":
	# 创建 Optuna study
	study = optuna.create_study(
	direction='maximize',
	sampler=optuna.samplers.TPESampler(),
	pruner=optuna.pruners.MedianPruner()
	)

	# 运行优化
	study.optimize(objective, n_trials=50, timeout=3600*24)

	# 输出结果
	print("Best trial:")
	trial = study.best_trial
	print(f" Value: {trial.value}")
	print(" Params: ")
	for key, value in trial.params.items():
	print(f" {key}: {value}")

主要修改点说明：

参数建议：使用 trial.suggest_* 方法替代原 argparse 参数：

	trial.suggest_categorical('batch_size', [32, 64, 128])
	trial.suggest_float('lr', 1e-6, 1e-3, log=True)

目标函数：将训练过程封装到目标函数中，返回验证 PSNR 作为优化指标

中间报告：在训练过程中定期报告验证指标，支持提前终止：

	trial.report(val_psnr, epoch)
	if trial.should_prune():
	raise optuna.exceptions.TrialPruned()

独立目录：为每个 trial 创建独立的保存目录，避免文件冲突：
args.save = f'./EXP/{trial.number}'
Study 配置：创建优化 study 时指定优化方向（最大化 PSNR）和采样策略：
study = optuna.create_study(direction='maximize')

完整整合后的代码示例：

	import optuna
	from optuna.trial import Trial
	import argparse
	import torch

	def main():
	# 原始训练代码...

	def objective(trial):
	# 定义超参数搜索空间
	params = {
	'batch_size': trial.suggest_categorical('batch_size', [32, 64, 128]),
	'lr': trial.suggest_float('lr', 1e-6, 1e-3, log=True),
	'lambda_hvi1': trial.suggest_float('lambda_hvi1', 0.001, 0.1),
	'lambda_hvi2': trial.suggest_float('lambda_hvi2', 0.001, 0.1),
	'lambda_rgb1': trial.suggest_float('lambda_rgb1', 0.5, 2.0),
	'lambda_rgb2': trial.suggest_float('lambda_rgb2', 0.5, 2.0),
	'lambda_res': trial.suggest_float('lambda_res', 0.5, 2.0),
	'lambda_cons': trial.suggest_float('lambda_cons', 0.5, 2.0),
	}

	# 固定参数
	fixed_params = {
	'cuda': True,
	'gpu': 'cuda:0',
	'epochs': 100, # 调优时 epoch 可以适当减少
	'data_dir': '/path/to/data',
	'save': f'./EXP/trial_{trial.number}',
	}

	# 合并参数
	args = argparse.Namespace({params, **fixed_params})

	# 运行训练
	best_psnr = train_with_args(args, trial)
	return best_psnr

	def train_with_args(args, trial=None):
	# [原 main () 函数内容重构到这里]
	# 初始化模型、数据加载等...

	best_psnr = 0
	for epoch in range(args.epochs):
	# 训练循环...

	# 验证循环
	with torch.no_grad():
	val_psnr = evaluate(model, val_loader)

	# 向 Optuna 报告中间结果
	if trial:
	trial.report(val_psnr, epoch)

	# 提前终止
	if trial.should_prune():
	raise optuna.exceptions.TrialPruned()

	if val_psnr > best_psnr:
	best_psnr = val_psnr
	torch.save(model.state_dict(), f"{args.save}/best_model.pth")

	return best_psnr

	if __name__ == "__main__":
	# 创建 Optuna study
	study = optuna.create_study(
	direction='maximize',
	sampler=optuna.samplers.TPESampler(),
	pruner=optuna.pruners.MedianPruner(n_startup_trials=5, n_warmup_steps=10)
	)

	# 运行优化
	study.optimize(objective, n_trials=50, timeout=3600*24)

	# 输出最佳结果
	print("Best trial:")
	trial = study.best_trial
	print(f" PSNR: {trial.value}")
	print(" Params: ")
	for key, value in trial.params.items():
	print(f" {key}: {value}")

关键优化技巧：

参数范围设置：根据参数性质选择适当的范围：

	trial.suggest_float('lr', 1e-6, 1e-3, log=True) # 对数尺度更适合学习率
	trial.suggest_categorical('batch_size', [32, 64, 128])

提前终止：使用 MedianPruner 避免资源浪费：

pruner=optuna.pruners.MedianPruner(n_startup_trials=5, n_warmup_steps=10)

并行优化：通过指定 n_jobs 并行运行：

study.optimize(objective, n_trials=100, n_jobs=4)

持久化存储：使用数据库保存进度：

	study = optuna.create_study(
	storage='sqlite:///optuna.db',
	study_name='denoising_study',
	load_if_exists=True
	)

注意事项：

资源管理：调优时适当减少 epoch 数量（如 50-100），最终训练时再用完整 epoch
参数空间：初始搜索使用较宽范围，后期可基于初步结果缩小范围
指标选择：建议使用验证集 PSNR 作为优化目标，而非训练损失
随机种子：为保持可比性，可在每个 trial 中固定随机种子：
torch.manual_seed(trial.suggest_int('seed', 0, 1000))
GPU 内存：注意 batch_size 与 GPU 显存的匹配，建议在 suggest_categorical 中包含可行值

这种集成方式可以在不破坏原有训练逻辑的基础上，系统性地探索超参数空间。最终可以通过 study.best_trial.params 获取最佳参数组合，用于最终模型的训练。

# 混合精度训练

# 梯度累积

通过多次小批量迭代累积梯度，模拟大 Batch Size 的效果，模板代码参考可见下方：

	accumulation_steps = 4 # 累积 4 个 batch 的梯度
	for i, (inputs, labels) in enumerate(dataloader):
	outputs = model(inputs)
	loss = criterion(outputs, labels)
	loss = loss / accumulation_steps # 损失按累积步数缩放
	loss.backward()

	if (i + 1) % accumulation_steps == 0:
	optimizer.step()
	optimizer.zero_grad()

# `torchinfo` 统计模型的显存占用

参考如下代码：

	from torchinfo import summary
	model = MyModel().cuda()
	summary(model, input_size=(batch_size, 3, 256, 256))

# 显存分析器 `memory_profiler`

这个工具可以可以统计每行代码的显存变化

	from pytorch_memlab import LineProfiler

	@profile
	def train_batch(inputs, labels):
	outputs = model(inputs)
	loss = criterion(outputs, labels)
	loss.backward()
	optimizer.step()

	# 运行后会打印每行代码的显存变化
	train_batch(inputs, labels)

# `Dataloader` 的 `num_workers` 设置

num_workers 通常设置为 0， CPU 线程数的 75% ， CPU 线程数， CPU 线程数的两倍。

CPU 的线程数计算公式为：线程数 = 逻辑核心数 = 物理核心数 * 单核线程数。

num_workers 很大程度上影响 GPU 的占用率。保持长时间的高 GPU 占用率是高效率训练深度学习的基础。

# 损失为 `Nan` 的分析

损失值出现 NaN（Not a Number）通常由数值不稳定引起，以下是可能原因及解决方案：
# 1. 输入数据问题
检查数据中的 NaN 或异常值：确保输入数据无缺失或无效值。
import numpy as np
print("NaN in data:", np.isnan(data).any())
print("数据范围:", data.min(), data.max())
数据标准化 / 归一化：过大或过小的输入值可能导致梯度爆炸。
data = (data - data.mean()) / data.std()  # 标准化
# 2. 学习率过高
降低学习率：过大的学习率会导致参数更新不稳定。
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 初始学习率设为 0.01 或更小
# 3. 损失函数实现问题
避免对零取对数：在交叉熵损失中增加极小值 ε（如 1e-8）。
loss = -tf.reduce_sum(y_true * tf.math.log(y_pred + 1e-8))
使用框架内置函数：如 TensorFlow 的 CategoricalCrossentropy(from_logits=True) ，避免手动实现中的错误。
# 4. 梯度爆炸（前提是你的其他代码得写对）
梯度裁剪：限制梯度最大范数。
# PyTorch 示例
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
# TensorFlow 示例
gradients = tape.gradient(loss, model.trainable_variables)
gradients, _ = tf.clip_by_global_norm(gradients, 1.0)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
# 5. 模型结构问题
激活函数与输出层匹配：分类任务最后一层需用 Softmax（或配合 from_logits=True ）。
权重初始化：使用 He/Xavier 初始化避免初始值过大。
# PyTorch 示例
torch.nn.init.kaiming_normal_(layer.weight)
# 6. 数值稳定性技巧
添加 Batch Normalization：稳定层间输出分布。
model.add(tf.keras.layers.BatchNormalization())
混合精度训练：使用 FP16 时，开启梯度缩放。
optimizer = tf.keras.mixed_precision.LossScaleOptimizer(optimizer)
# 7. 调试步骤
小数据集测试：用少量样本过拟合，快速复现问题。
打印中间结果：检查前向传播输出和梯度。
# 检查输出层
print("模型输出:", outputs)
# 检查梯度
for name, param in model.named_parameters():
    if param.grad is not None:
        print(f"梯度 {name}: {param.grad.norm()}")
# 8. 其他可能原因
正则化过强：降低 L2 正则化系数。
数据预处理错误：检查标准化时是否除以零（如方差为零的特征）。
# 总结流程
检查输入数据：确保无 NaN 且已标准化。
降低学习率：尝试 0.001 或更低。
验证损失函数：使用内置函数或添加 ε。
梯度裁剪：限制梯度大小。
检查模型结构：激活函数、初始化、添加 BatchNorm。
逐步调试：缩小数据范围，打印中间变量。
通过以上步骤逐步排查，通常可以定位并解决 NaN 损失问题。

# `torchvision.utils.save_image`

有个参数叫做 Normalize ，这个将数值映射到 [0,255] 的区间。相关使用说明如下：

	当设置normalize=True时：
	- 会自动将张量的数值范围从[min, max]线性映射到[0, 255]
	- 例如：输入张量范围是[-1, 1]，会被映射到0-255
	- 例如：输入张量范围是[0, 1]，会被映射到0-255（相当于直接乘以255）

torchvision.utils.save_image 保存图像要求图像的数值范围必须是指定范围，即在 [0,1] 或 [0,255] 。如果数据范围在其他区间，则需要保证数据范围符合 torchvision.utils.save_image 的要求，可通过设置 normalize 为 True 解决这个问题。

# 确保 `Python` 优先加载本地项目的代码而不是 `Anaconda` 环境中的库

情景： TinyNeuralNetwork 库代码在项目文件夹 Retinexformer 下面， Anaconda 也有一个 TinyNeuralNetwork 库。现在我们在本地更新了 TinyNeuralNetwork 库代码，想要运行更新后的库代码中的 convert.py 代码。这个时候 Python 有可能会在执行新库代码 convert.py 的时候，调用 Anaconda 环境的旧库代码。

一种方法是指定优先级，强制优先加载项目中的本地库：

	import sys
	import os

	# 获取当前脚本所在目录（TinyNeuralNetwork 文件夹的路径）
	TINYNN_DIR = os.path.dirname(os.path.abspath(__file__))
	# 获取项目根目录（假设 TinyNeuralNetwork 是 Retinexformer 的子目录）
	PROJECT_ROOT = os.path.dirname(TINYNN_DIR)

	# 将本地库路径插入到 sys.path 的最前面
	sys.path.insert(0, TINYNN_DIR)
	sys.path.insert(0, PROJECT_ROOT)

	# 打印验证路径是否正确添加（可选）
	print("当前 Python 路径:")
	for p in sys.path:
	print(p)

另一种方式就是在终端执行 convert.py 而不是在 IDE 中运行：

	> cd Retinexformer
	> export PYTHONPATH="$PWD:$PYTHONPATH"
	> python convert.py

Deep Learning Experiment Tricks

# `pytorch_mssim.ssim` 的使用

# 损失函数下降、震荡、上升的原因

# 一、损失函数整体持续下降

# 含义解析

# 典型案例

# 应对策略

# 二、损失函数震荡波动

# 含义解析

# 数值特征

# 典型案例

# 应对策略

# 三、损失函数持续上升

# 含义解析

# 典型案例

# 应对策略

# 四、综合优化建议

# 五、调试检查清单

# `transforms.Resize()`

# 不确定性损失加权法 —— 多任务损失均衡

# 余弦退火学习率调度器

# `Optuna` 自动化调参

# 混合精度训练

# 梯度累积

# `torchinfo` 统计模型的显存占用

# 显存分析器 `memory_profiler`

# `Dataloader` 的 `num_workers` 设置

# 损失为 `Nan` 的分析

# 1. 输入数据问题

# 2. 学习率过高

# 3. 损失函数实现问题

# 4. 梯度爆炸（前提是你的其他代码得写对）

# 5. 模型结构问题

# 6. 数值稳定性技巧

# 7. 调试步骤

# 8. 其他可能原因

# 总结流程

# `torchvision.utils.save_image`

# 确保 `Python` 优先加载本地项目的代码而不是 `Anaconda` 环境中的库

	# 各损失自动加权示例
	log_var = torch.nn.Parameter(torch.zeros(3)) # 3 个损失
	loss = 0.5*(loss1/torch.exp(log_var[0]) + loss2/torch.exp(log_var[1]) + log_var.sum())

	# 数据检查代码片段
	for batch in val_loader:
	print(batch['image'].min(), batch['image'].max()) # 应为 [0,1] 或 [-1,1]
	visualize(batch['image'][0]) # 肉眼验证图像质量

	import numpy as np
	print("NaN in data:", np.isnan(data).any())
	print("数据范围:", data.min(), data.max())

	# PyTorch 示例
	torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)

	# TensorFlow 示例
	gradients = tape.gradient(loss, model.trainable_variables)
	gradients, _ = tf.clip_by_global_norm(gradients, 1.0)
	optimizer.apply_gradients(zip(gradients, model.trainable_variables))

	# 检查输出层
	print("模型输出:", outputs)
	# 检查梯度
	for name, param in model.named_parameters():
	if param.grad is not None:
	print(f"梯度 {name}: {param.grad.norm()}")

# pytorch_mssim.ssim 的使用

# 损失函数下降、震荡、上升的原因

# 一、损失函数整体持续下降

# 含义解析

# 典型案例

# 应对策略

# 二、损失函数震荡波动

# 含义解析

# 数值特征

# 典型案例

# 应对策略

# 三、损失函数持续上升

# 含义解析

# 典型案例

# 应对策略

# 四、综合优化建议

# 五、调试检查清单

# transforms.Resize()

# 不确定性损失加权法 —— 多任务损失均衡

# 余弦退火学习率调度器

# Optuna 自动化调参

# 混合精度训练

# 梯度累积

# torchinfo 统计模型的显存占用

# 显存分析器 memory_profiler

# Dataloader 的 num_workers 设置

# 损失为 Nan 的分析

# 1. 输入数据问题

# 2. 学习率过高

# 3. 损失函数实现问题

# 4. 梯度爆炸（前提是你的其他代码得写对）

# 5. 模型结构问题

# 6. 数值稳定性技巧

# 7. 调试步骤

# 8. 其他可能原因

# 总结流程

# torchvision.utils.save_image

# 确保 Python 优先加载本地项目的代码而不是 Anaconda 环境中的库

Embodied AI Labs

博客文档美化使用说明

# `pytorch_mssim.ssim` 的使用

# `transforms.Resize()`

# `Optuna` 自动化调参

# `torchinfo` 统计模型的显存占用

# 显存分析器 `memory_profiler`

# `Dataloader` 的 `num_workers` 设置

# 损失为 `Nan` 的分析

# `torchvision.utils.save_image`

# 确保 `Python` 优先加载本地项目的代码而不是 `Anaconda` 环境中的库