-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathtrain.py
57 lines (41 loc) · 2.06 KB
/
train.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
import os
import sys
import json
import argparse
import importlib
from solver import Solver
def parse_args():
parser = argparse.ArgumentParser()
parser.add_argument("--model", type=str, default='divanet')
parser.add_argument("--ckpt_name", type=str, default='carn_test')
parser.add_argument("--print_interval", type=int, default=1000)
parser.add_argument("--train_data_path", type=str, default="/home/pbehjati/2_github/DIV2K_train_UPDATED.h5")
parser.add_argument("--valid_data_path", type=str, default="/home/pbehjati/All_codes/datasetS/DIV2K/Set5")
parser.add_argument("--ckpt_dir", type=str, default="checkpoint")
parser.add_argument("--sample_dir", type=str, default="sample")
parser.add_argument("--resume", action='store_true')
parser.add_argument("--pre_trained", type=bool, default=False)
parser.add_argument("--num_gpu", type=int, default=3)
parser.add_argument("--shave", type=int, default=20)
parser.add_argument("--scale", type=int, default=2)
# parser.add_argument("--seed", type=int, default=12345)
parser.add_argument("--verbose", action="store_true", default="store_true")
parser.add_argument("--group", type=int, default=1)
parser.add_argument("--patch_size", type=int, default=64)
parser.add_argument("--batch_size", type=int, default=64)
parser.add_argument("--accumulation_steps", type=int, default=64)
parser.add_argument("--max_steps", type=int, default=600000)
parser.add_argument("--decay", type=int, default=150000)
parser.add_argument("--start_step", type=int, default=0)
parser.add_argument("--lr", type=float, default=0.001)
parser.add_argument("--clip", type=float, default=10.0)
parser.add_argument("--loss_fn", type=str, choices=["MSE", "L1", "SmoothL1", 'L1_Charb'], default="L1")
return parser.parse_args()
def main(cfg):
net = importlib.import_module("{}".format(cfg.model)).Net
print(json.dumps(vars(cfg), indent=4, sort_keys=True))
solver = Solver(net, cfg)
solver.fit()
if __name__ == "__main__":
cfg = parse_args()
main(cfg)