之前自学了有关图像超分辨处理方面的知识，这篇博文参考了这位博主的例子：博客地址，完整地跑了一下代码，记录一下自己的学习过程
工程文件：压缩包链接
提取码：1111
1.建议新建一个专门的环境，之后的各种配置基于此环境（Python版本选择3.6）
2.安装CUDA
安装之前，我们首先要确定本机是否有独立显卡。以win10为例，在控制面板\系统和安全\系统找到设备管理器下的显示适配器中，查看是否有独立显卡，如下图所示：
接下来就可以开始安装cuda，打来官网：/cuda-toolkit-archive，
由于需要适配Pytorch1.4，因此我们选择CUDA Toolkit 10.1进行下载，并按以下配置下载到本地
双击安装，可以改变解压目录（路径最好不要有中文名），然后选择默认安装方式即
可。
测试一下cuda是否安装成功。打开cmd命令终端，然后输入命令：nvcc -V
如下图所示，安装成功。
3.安装cudnn
cudnn官网下载地址：/cudnn
单击Download Cudnn，注册账号后才能开始下载，之后选择如下版本：
按自己系统选择，我的是win10，所以选则如下图：
下载之后，解压缩，将CUDNN压缩包里面的bin、clude、lib文件直接复制到CUDA的安装目录下（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1），直接覆盖
安装即可完成。
添加系统环境变量到path中：
C:\Program Files\NVIDIA Corporation\NVSMI
然后在Windows PowerShell终端中运行命令,可以查看GPU使用情况：
nvidia-smi
4.安装pytorch
在anaconda中找到之前新建的环境，以环境名sr为例，打开命令行终端，输入如下指令，开始安装：
pip install torch===1.4.0 torchvision===0.5.0 -f /whl/torch_stable.html
后边加阿里云镜像源加速:
-i /pypi/simple/
安装完成后，验证是否成功并且能够成功调用cudnn，在该环境下（sr）,输入python进入python环境，输入命令，如下图显示版本号即pytorch安装成功：
import torch print(torch.__version__)
接着，验证pytorch调用cuda是否正确，显示为true即调用成功：
安装cpu版tensorflow,利用tensorboard可视化运行结果
pip install tensorflow==2.1.0 -i /pypi/simple/
安装scikit-image（提供PSNR和SSIM的计算）
pip install scikit-image==0.16.2 -i /pypi/simple/
至此，项目所需配置基本完成。
7. 下载项目工程文件（COCO数据集因为有18个G左右，所以仅给出部分数据）
下载到本地后，打开Pycharm导入工程文件，然后选择新建的python环境即可，如下图所示：
项目组织架构
8.1项目根目录下有8个.py文件和3个文件夹，下面对各个文件和文件夹进行简单说明。
1） create_data_lists.py：生成数据列表，检查数据集中的图像文件尺寸，并将符合的图像文件名写入JSON文件列表供后续Pytorch调用；
2） datasets.py：用于构建数据集加载器，主要沿用Pytorch标准数据加载器格式进行封装；
3） models.py：模型结构文件，存储各个模型的结构定义；
4） utils.py：工具函数文件，所有项目中涉及到的一些自定义函数均放置在该文件中；
5） train_srresnet.py：用于训练SRResNet算法；
6） train_srgan.py：用于训练SRGAN算法；
7） eval.py：用于模型评估，主要以计算测试集的PSNR和SSIM为主；
8） test.py：用于单张样本测试，运用训练好的模型为单张图像进行超分重建；
9） data：用于存放训练和测试数据集以及文件列表；
10） results：用于存放运行结果，包括训练好的模型以及单张样本测试结果；
11） runs: 模型训练过程中的各项指标记录，可以作为数据文件利用tensorboard来查看训练结果，在程序运行的过程中可以再开一个终端运行下述命令：tensorboard --logdir runs，从而打开tensorboard监视器，打开后可以在浏览器中访问：http://localhost:6006/ 来监视训练结果。
8.2整个代码运行顺序如下：
1） 运行create_data_lists.py文件用于为数据集生成文件列表；
2） 运行train_srresnet.py进行SRResNet算法训练，训练结束后在results文件夹中会生成checkpoint_srresnet.pth模型文件；(已经训练完毕可以直接调用)
3） 运行eval.py文件对测试集进行评估，计算每个测试集的平均PSNR、SSIM值；
4） 运行test.py文件对results文件夹下名为test.jpg的图像进行超分还原，还原结果存储在results文件夹下面；
5） 运行train_srgan.py文件进行SRGAN算法训练，训练结束后在results文件夹中会生成checkpoint_srgan.pth模型文件；(已经训练完毕可以直接调用)
6） 修改并运行eval.py文件对测试集进行评估，计算每个测试集的平均PSNR、SSIM值；·
7） 修改并运行test.py文件对results文件夹下名为test.jpg的图像进行超分还原，还原结果存储在results文件夹下面；
