导入包错误但代码可以运行什么原因

[zhang1363691920]

您好，我无法克隆仓库，出现
$ git clone --recurse-submodules git@github.com:Bobholamovic/CDLab.git
Cloning into 'CDLab'...
git@github.com: Permission denied (publickey).
fatal: Could not read from remote repository.
Please make sure you have the correct access rights
and the repository exists.
所以我是直接下载的仓库，发现没有core下面的那些.py文件，所以自己从仓库复制了一份到core下，代码是正常运行，但是from utils.data_utils.misc import (
to_array, to_pseudo_color,
quantize_8bit as quantize
)
from utils.utils import HookHelper
from utils.metrics import (Meter, Precision, Recall, Accuracy, F1Score)包的导入提示飘红，我去检查utils文件夹有__init__.py,虽然可以跑但是感觉不对劲，不带劲。。

[zhang1363691920]

解决了克隆的问题，SSH 密钥未生成或未配置到 GitHub，使用ssh需要配置密钥，但是包的导入还是有问题

[Bobholamovic]

请问是如何执行脚本的呢

[zhang1363691920]

请问是如何执行脚本的呢
您好。感谢回复，pycharm的terminal输入命令行
python train.py train --exp_config /mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml

最初的目的只是想找找ssn的输入是不是做了rgb转xylab格式3通道到5通道（因为我发现在escnet_trainer中有句代码pred, pred_ds, Q, ops, cvrted_feats = self.model(t1[:,3:], t2[:,3:], merge=self.merge)列表切片直接把原来8通道变成5通道，不知道想的对不对，这样是不是丢了信息），以及ssn的重构损失和紧凑性损失的输入是什么？

现在发现自己不会的基础越来越多，跑偏了

这个仓库的训练代码相当集成，自己之前的训练代码有点拉，我太菜了，debug不明白从train.py是如何通过配置-exp_config到escnet_trainer.py训练的，想自己打断点去escnet_trainer去一步一步debug，配置参数 --exp_config "/mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml" train后也进不去

[Bobholamovic]

python train.py train --exp_config /mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml

如果没有修改代码的话，执行这条指令应该能够让各个package被import。导入提示飘红、但运行时不报错可能和IDE的linter设置有关。

列表切片直接把原来8通道变成5通道，不知道想的对不对，这样是不是丢了信息），以及ssn的重构损失和紧凑性损失的输入是什么

关于那两个输入是什么，这个我也忘了额，时间有点儿久了……和论文里应该是对齐的，具体可以参考下论文呢～

这个仓库的训练代码相当集成，自己之前的训练代码有点拉，我太菜了，debug不明白从train.py是如何通过配置-exp_config到escnet_trainer.py训练的，想自己打断点去escnet_trainer去一步一步debug，配置参数 --exp_config "/mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml" train后也进不去

不用妄自菲薄吧，大家都是从打基础开始一步一步来的。你有看不懂的代码可以贴在这里，我们可以交流一下

[zhang1363691920]

python train.py train --exp_config /mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml

如果没有修改代码的话，执行这条指令应该能够让各个package被import。导入提示飘红、但运行时不报错可能和IDE的linter设置有关。

列表切片直接把原来8通道变成5通道，不知道想的对不对，这样是不是丢了信息），以及ssn的重构损失和紧凑性损失的输入是什么

关于那两个输入是什么，这个我也忘了额，时间有点儿久了……和论文里应该是对齐的，具体可以参考下论文呢～

这个仓库的训练代码相当集成，自己之前的训练代码有点拉，我太菜了，debug不明白从train.py是如何通过配置-exp_config到escnet_trainer.py训练的，想自己打断点去escnet_trainer去一步一步debug，配置参数 --exp_config "/mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml" train后也进不去

不用妄自菲薄吧，大家都是从打基础开始一步一步来的。你有看不懂的代码可以贴在这里，我们可以交流一下

好的好的，谢谢您，时间确实久了，哈哈

（1）整个代码只有训练完才会保存权重吗？
（2）这个FeatureConverter是什么作用，rgb转xylab吗？
class FeatureConverter:
def init(self, eta_pos, gamma_clr, offsets):
super().init()
self.eta_pos = eta_pos
self.gamma_clr = gamma_clr
self.offsets = torch.Tensor(offsets).view(1,len(offsets),1,1)

@torch.no_grad()
def __call__(self, feats, nw_spixels, nh_spixels):
    # Do not require grad
    b, c, h, w = feats.size()
    scale_pos, scale_clr = get_scale_factors(self.eta_pos, self.gamma_clr, nw_spixels, nh_spixels, w, h)

    scales = torch.Tensor((scale_pos,)*2+(scale_clr,)*(c-2))
    scales.resize_(1,c,1,1)
    
    return feats * scales.type_as(feats) + self.offsets.type_as(feats)

上面这段代码在ssn中调用了
def forward(self, x):
if self.training:
# Training mode
# Use cached objects
ops, (, nw_spixels, nh_spixels) = self.get_ops_and_layout(x, ofa=True)
else:
# Evaluation mode
# Every time update the objects
ops, (, nw_spixels, nh_spixels) = self.get_ops_and_layout(x, ofa=False)
x = self.feat_cvrter(x, nw_spixels, nh_spixels)
escnet配置中这三个参数是eta_pos: 2.0 gamma_clr: 0.1offsets: - 0.0 - 0.0- 0.0 - 0.0- 0.0
（3）重构损失和紧凑性损失的输入（重构自己理解为计算出Q关联矩阵后，对标签R转换，计算转换前后的损失；紧凑型理解为，像素级特征cvrted_feats与聚类中心spixel_map的损失，不知道对不对）
for Q_, ops_, cvrted_feats_ in zip(Q, ops, cvrted_feats):
idx_map = self.get_abs_idx_map(Q_, ops_)
spixel_map = self.get_sp_map(Q_, cvrted_feats_, idx_map, ops_)
R_recon = self.get_R_recon(Q_, R, ops_)
loss_cmpct += self.critn_cmpct(spixel_map, cvrted_feats_)
loss_recon += self.calc_recon_loss(R_recon, R)

[Bobholamovic]

默认应该是训练完一个epoch会eval一次～

[zhang1363691920]

默认应该是训练完一个epoch会eval一次～
已解决，在read.me中已找到“在训练过程中或训练完成后，您可以在 exp/DATASET_NAME/weights/ 目录下查看模型权重文件”

[Bobholamovic]

python train.py train --exp_config /mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml

如果没有修改代码的话，执行这条指令应该能够让各个package被import。导入提示飘红、但运行时不报错可能和IDE的linter设置有关。

列表切片直接把原来8通道变成5通道，不知道想的对不对，这样是不是丢了信息），以及ssn的重构损失和紧凑性损失的输入是什么

关于那两个输入是什么，这个我也忘了额，时间有点儿久了……和论文里应该是对齐的，具体可以参考下论文呢～

这个仓库的训练代码相当集成，自己之前的训练代码有点拉，我太菜了，debug不明白从train.py是如何通过配置-exp_config到escnet_trainer.py训练的，想自己打断点去escnet_trainer去一步一步debug，配置参数 --exp_config "/mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml" train后也进不去

不用妄自菲薄吧，大家都是从打基础开始一步一步来的。你有看不懂的代码可以贴在这里，我们可以交流一下

好的好的，谢谢您，时间确实久了，哈哈

（1）整个代码只有训练完才会保存权重吗？ （2）这个FeatureConverter是什么作用，rgb转xylab吗？ class FeatureConverter: def init(self, eta_pos, gamma_clr, offsets): super().init() self.eta_pos = eta_pos self.gamma_clr = gamma_clr self.offsets = torch.Tensor(offsets).view(1,len(offsets),1,1)

@torch.no_grad()
def __call__(self, feats, nw_spixels, nh_spixels):
    # Do not require grad
    b, c, h, w = feats.size()
    scale_pos, scale_clr = get_scale_factors(self.eta_pos, self.gamma_clr, nw_spixels, nh_spixels, w, h)

    scales = torch.Tensor((scale_pos,)*2+(scale_clr,)*(c-2))
    scales.resize_(1,c,1,1)
    
    return feats * scales.type_as(feats) + self.offsets.type_as(feats)

上面这段代码在ssn中调用了 def forward(self, x): if self.training: # Training mode # Use cached objects ops, (, nw_spixels, nh_spixels) = self.get_ops_and_layout(x, ofa=True) else: # Evaluation mode # Every time update the objects ops, (, nw_spixels, nh_spixels) = self.get_ops_and_layout(x, ofa=False) x = self.feat_cvrter(x, nw_spixels, nh_spixels) escnet配置中这三个参数是eta_pos: 2.0 gamma_clr: 0.1offsets: - 0.0 - 0.0- 0.0 - 0.0- 0.0 （3）重构损失和紧凑性损失的输入（重构自己理解为计算出Q关联矩阵后，对标签R转换，计算转换前后的损失；紧凑型理解为，像素级特征cvrted_feats与聚类中心spixel_map的损失，不知道对不对） for Q_, ops_, cvrted_feats_ in zip(Q, ops, cvrted_feats): idx_map = self.get_abs_idx_map(Q_, ops_) spixel_map = self.get_sp_map(Q_, cvrted_feats_, idx_map, ops_) R_recon = self.get_R_recon(Q_, R, ops_) loss_cmpct += self.critn_cmpct(spixel_map, cvrted_feats_) loss_recon += self.calc_recon_loss(R_recon, R)

昨天可能看漏了，关于后面两点：

(2) FeatureConverter看起来应该是做特征缩放的；
(3) 这个理解是正确的。

[zhang1363691920]

python train.py train --exp_config /mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml

如果没有修改代码的话，执行这条指令应该能够让各个package被import。导入提示飘红、但运行时不报错可能和IDE的linter设置有关。

列表切片直接把原来8通道变成5通道，不知道想的对不对，这样是不是丢了信息），以及ssn的重构损失和紧凑性损失的输入是什么

关于那两个输入是什么，这个我也忘了额，时间有点儿久了……和论文里应该是对齐的，具体可以参考下论文呢～

这个仓库的训练代码相当集成，自己之前的训练代码有点拉，我太菜了，debug不明白从train.py是如何通过配置-exp_config到escnet_trainer.py训练的，想自己打断点去escnet_trainer去一步一步debug，配置参数 --exp_config "/mnt/comic/zxr/zmm/CDLab/configs/levircd/config_levircd_escnet.yaml" train后也进不去

不用妄自菲薄吧，大家都是从打基础开始一步一步来的。你有看不懂的代码可以贴在这里，我们可以交流一下

好的好的，谢谢您，时间确实久了，哈哈
（1）整个代码只有训练完才会保存权重吗？ （2）这个FeatureConverter是什么作用，rgb转xylab吗？ class FeatureConverter: def init(self, eta_pos, gamma_clr, offsets): super().init() self.eta_pos = eta_pos self.gamma_clr = gamma_clr self.offsets = torch.Tensor(offsets).view(1,len(offsets),1,1)

@torch.no_grad()
def __call__(self, feats, nw_spixels, nh_spixels):
    # Do not require grad
    b, c, h, w = feats.size()
    scale_pos, scale_clr = get_scale_factors(self.eta_pos, self.gamma_clr, nw_spixels, nh_spixels, w, h)

    scales = torch.Tensor((scale_pos,)*2+(scale_clr,)*(c-2))
    scales.resize_(1,c,1,1)
    
    return feats * scales.type_as(feats) + self.offsets.type_as(feats)

上面这段代码在ssn中调用了 def forward(self, x): if self.training: # Training mode # Use cached objects ops, (, nw_spixels, nh_spixels) = self.get_ops_and_layout(x, ofa=True) else: # Evaluation mode # Every time update the objects ops, (, nw_spixels, nh_spixels) = self.get_ops_and_layout(x, ofa=False) x = self.feat_cvrter(x, nw_spixels, nh_spixels) escnet配置中这三个参数是eta_pos: 2.0 gamma_clr: 0.1offsets: - 0.0 - 0.0- 0.0 - 0.0- 0.0 （3）重构损失和紧凑性损失的输入（重构自己理解为计算出Q关联矩阵后，对标签R转换，计算转换前后的损失；紧凑型理解为，像素级特征cvrted_feats与聚类中心spixel_map的损失，不知道对不对） for Q_, ops_, cvrted_feats_ in zip(Q, ops, cvrted_feats): idx_map = self.get_abs_idx_map(Q_, ops_) spixel_map = self.get_sp_map(Q_, cvrted_feats_, idx_map, ops_) R_recon = self.get_R_recon(Q_, R, ops_) loss_cmpct += self.critn_cmpct(spixel_map, cvrted_feats_) loss_recon += self.calc_recon_loss(R_recon, R)

昨天可能看漏了，关于后面两点：

(2) FeatureConverter看起来应该是做特征缩放的； (3) 这个理解是正确的。

好的，再次感谢！