对抗样本代码问题总结（持续更新~）

1、shuffle=True用于打乱数据集，每次都会以不同的顺序返回

2、data_clean（） 数据清洗，排除一些无法输入的数据

3、pretrained=True远程获取已训练好的模型参数

4、item（）取出单元素张量的元素值并返回该值，保持原元素类型不变。,即：原张量元素为整形，则返回整形，原张量元素为浮点型则返回浮点型

5、img = img.convert("RGB") 将4通道改为3通道

6、torch.tensor.detach()：从计算图中分类，并返回一个新的张量，并且这个新的张量的requires_grad的属性为False。

torch.tensor.detach_()：张量tensor会被从计算图中分离出来，并把它设置成叶子张量，并且这个分离出来的张量的requires_grad的属性为False。

7、Batch Size定义：一次训练所选取的样本数。

1. 没有Batch Size，梯度准确，只适用于小样本数据库
2. Batch Size=1，梯度变来变去，非常不准确，网络很难收敛。
3. Batch Size增大，梯度变准确，
4. Batch Size增大，梯度已经非常准确，再增加Batch Size也没有用

注意：Batch Size增大了，要到达相同的准确度，必须要增大epoch。

8、format函数是python中的格式化函数，可以对数字或者字符串进行格式化操作，使用{}来指定对应的参数，可以接受不限个参数，位置可以不按顺序。在{}中可以指定索引输出对应位置的字符串。

9、注意只有Image类型的图片才有save方法，tensor和numpy类型的自然是没有的。因为本文对于图片的操作都用PIL来实现，所以保存图片也用的此方法。同样的思想，还可以用opencv库来实现。

10、conda和pip有区别，可能绝大多数使用者感觉不到两者太大区别，但我仍然建议能用conda安装的优先使用conda，尽量使用conda的环境隔离功能，为不同的任务创建不同的环境。如果某个包conda没有，再使用pip安装。其实，对于绝大多数人，只要你不搞GPU计算、不依赖很多底层库，pip已经能够满足需求。但是我仍然推荐使用conda。

11、首先激活EDSR环境（专门为超分辨率新建的环境，输入conda activate EDSR）,linux下运行.sh文件，进入到对应目录下，使用  ./+文件名运行。

12、genfromtxt将每个非空行拆分为一个字符串序列。刚刚跳过空行或注释行。delimiter关键字用于定义拆分应如何进行，单个字符标记列之间的间隔。例如，逗号分隔文件（CSV）使用逗号（,）或分号（;）作为分隔符

13、clamp 和 clamp_ 

没有下划线时不改变原来的对象，有下划线时会改变原来的对象

14、cv2.imwrite()第一个是要存图像的文件名，第二个是要保存的图像。

15、可以从to_tensor()函数看到，函数接受PIL Image或numpy.ndarray，将其先由HWC转置为CHW格式，再转为float后每个像素除以255.（等于进行了归一化）

16、Normalize：逐channel的对图像进行标准化（均值变为0，标准差变为1），可以加快模型的收敛（对图片处理不要进行Normalize会更好）