- Python >= 3.9
- PyTorch >= 2.1
- NumPy
- scipy
- scikit-image
上述为该库必须使用的包, 对于兼容性问题, 该库没有进行测试. 对于老版本的Python和PyTorch, 我们不推荐使用, 但或许可以兼容. 同时, 该库的代码中大量使用了CUDA和CUDNN来提升模型的运行速率, 假如您的计算机没有GPU加速训练时, 需要修改代码以便模型正常运行.
- 测试主要使用了
191 Band Hyperspectral Image: HYDICE image of Washington DC Mall，你可以在 https://engineering.purdue.edu/~biehl/MultiSpec/hyperspectral.html 获得获得公开的数据集. - 在
/data/data_process.py中准备了一些数据处理的函数，你可以自由的调用这些函数，以生成适合模型的数据. 这些函数已经写了详细的文档注释，可以通过这些注释了解使用方法.
注意: 该库使用的数据持久化的方式是PyTorch由提供的, 我们推荐您使用
.pth存储和读取数据
在准备好合适的数据之后, 就可以运行模型. bootstrap.py 是模型启动的入口, 你在启动时需要附带一些参数以便模型正常的初始化, 下面是代码能够接受的参数以及类型:
--net: 神经网络的类型, 你可以在unet|res|res-unet中选择;--mode: 模型运行的模式, 你可以在base|red|band中选择;--num_iter: 模型迭代次数, 任意一个整数(我们建议的取值范围是 1000-10000);--reg_noise_std: 模型每次迭代输入噪声张量的扰动系数, 任意一个浮点数(我们建议使用默认值, 取值范围在 0.03左右);--show_every: 模型展示当前轮次模型运行结果的频率, 任意一个整数(我们建议的取值是 >=100), 如果不需要展示当前轮次的运行结果可以设置一个较大的值;--exp_weight: 模型输出平滑系数, 任意一个浮点数(我们建议使用默认值, 取值范围在0.99左右);--lr: 模型的学习率;--skip_channel: 使用unet时跳跃连接的通道数, 任意一个整数;--up_channel: unet模型解码器的通道数, 五个正整数;--down_channel: unet模型编码器的通道数, 五个正整数;--upsample_mode: unet模型上采样的模式;--downsample_mode: unet模型下采样的模式;--group_size: 波段分组模式中每组的波段数量;
你也可以使用下面的指令快速开始:
python bootstrap.py --net unet --mode base --num_iter 1800 --show_every 200 --skip_channel 128 --up_channel 128 128 128 128 128 --down_channel 128 128 128 128 128该库借鉴和使用了很多研究者的代码或研究，感谢他们的贡献. 以下排名不分先后：