Batch size

[Flynoodle]

感谢分享代码
想请教一下我在尝试调整batch size的时候遇到如下异常，请问您有没有解决方法可以分享？
另外一个问题是调节哪些参数可以有效提升预测的精确度呢？

异常如下， batch_size = 5：
*epoch1:loss_fake:0.13505132
Traceback (most recent call last):
File "train.py", line 133, in
train(myconfig)
File "train.py", line 119, in train
img_out=utility.GetQuadrupletsImg(inputdata, fake_img, s2img, s2CSMimg)
File "/content/drive/My Drive/Colab Notebooks/DSEN2_CR_PYTORCH_fall_200epoch/utils/utils.py", line 175, in GetQuadrupletsImg
img_cld= uint16to8((t.squeeze(img_cld ).cpu().numpy()scale).astype("uint16")).transpose(1,2,0)
ValueError: axes don't match array

[Phoenix-Shen]

好的，我晚上会检查一下，因为显存占用问题，之前都是用的batch_size=1，没有考虑到>1的情况，不好意思

[Flynoodle]

非常感谢光速回复，期待你的分享

[Phoenix-Shen]

img_out=utility.GetQuadrupletsImg(inputdata, fake_img, s2img, s2CSMimg)

1. 报错的这行操作的意义是将（原来有云图片、神经网络去云结果、原来的地面实景，云掩膜）这四个图片拼接在一起存到img_out中，然后发到visdom里面，可以实时看到结果。

2. 当batch_size为1的时候，utils/utils.py里面175、 176 、178行的 t.squeeze操作就能将维度 [1,13,256,256]压缩成[13,256,256]，当batch_size为5的时候，t.squeeze操作就没有用了，维度还是[5,13,256,256]，所以就会出错，所以你需要保证: utility.GetQuadrupletsImg的四个参数，他们的第一个维度是1

3. 解决方法：神经网络输出了5张图片，我们需要输出图片进行定性分析，只取一张输出到visdom里面就行了，所以可以改成
   img_out=utility.GetQuadrupletsImg(inputdata[0:1,:,:,:], fake_img[0:1,:,:,:], s2img[0:1,:,:,:], s2CSMimg[0:1,:,:,:])，我们就取第一张图片输出一下。

4. 关于调参的问题：这篇论文里面的可以操作的东西比较少，只有config.py里面的 第25，26，31，32，35行这些影响训练效果的参数（其余的参数如save_frequency都是不影响效果的）是我自己拟定的，其余的论文中都给出来了，包括resnet的层数和resnet的feature_size。至于作者有没有对数据集进行一些预处理操作，我也记不清了，dataloader是那个数据集下载网站提供的，我在这个基础上修改了一下，应该没啥问题。

[Flynoodle]

img_out=utility.GetQuadrupletsImg(inputdata, fake_img, s2img, s2CSMimg)

1. 报错的这行操作的意义是将（原来有云图片、神经网络去云结果、原来的地面实景，云掩膜）这四个图片拼接在一起存到img_out中，然后发到visdom里面，可以实时看到结果。
2. 当batch_size为1的时候，utils/utils.py里面175、 176 、178行的 t.squeeze操作就能将维度 [1,13,256,256]压缩成[13,256,256]，当batch_size为5的时候，t.squeeze操作就没有用了，维度还是[5,13,256,256]，所以就会出错，所以你需要保证: utility.GetQuadrupletsImg的四个参数，他们的第一个维度是1
3. 解决方法：神经网络输出了5张图片，我们需要输出图片进行定性分析，只取一张输出到visdom里面就行了，所以可以改成
   img_out=utility.GetQuadrupletsImg(inputdata[0:1,:,:,:], fake_img[0:1,:,:,:], s2img[0:1,:,:,:], s2CSMimg[0:1,:,:,:])，我们就取第一张图片输出一下。
4. 关于调参的问题：这篇论文里面的可以操作的东西比较少，只有config.py里面的 第25，26，31，32，35行这些影响训练效果的参数（其余的参数如save_frequency都是不影响效果的）是我自己拟定的，其余的论文中都给出来了，包括resnet的层数和resnet的feature_size。至于作者有没有对数据集进行一些预处理操作，我也记不清了，dataloader是那个数据集下载网站提供的，我在这个基础上修改了一下，应该没啥问题。

明白了，感谢详尽的解释，受益良多👍