roma_unsb/scripts/train.sh

#!/bin/sh
# Train for video mode
#CUDA_VISIBLE_DEVICES=0 python train.py --dataroot /path --name ROMA_name --dataset_mode unaligned_double --no_flip --local_nums 64 --display_env ROMA_env --model roma --side_length 7 --lambda_spatial 5.0 --lambda_global 5.0 --lambda_motion 1.0 --atten_layers 1,3,5 --lr 0.00001

# Train for image mode
#CUDA_VISIBLE_DEVICES=0 python train.py --dataroot /path --name ROMA_name --dataset_mode unaligned --local_nums 64 --display_env ROMA_env --model roma --side_length 7 --lambda_spatial 5.0 --lambda_global 5.0 --atten_layers 1,3,5 --lr 0.00001

python train.py \
    --dataroot /home/openxs/kunyu/datasets/InfraredCity-Lite/Double/Moitor \
    --name UNIV_5 \
    --dataset_mode unaligned_double \
    --display_env UNIV \
    --model roma_unsb \
    --lambda_SB 1.0 \
    --lambda_ctn 10 \
    --lambda_inc 1.0 \
    --lambda_global 6.0 \
    --gamma_stride 20 \
    --lr 0.000002 \
    --gpu_id 0 \
    --nce_idt False \
    --netF mlp_sample \
    --eta_ratio 0.4 \
    --tau 0.01 \
    --num_timesteps 5 \
    --input_nc 3 \
    --n_epochs 400 \
    --n_epochs_decay 200 \

# exp1 num_timesteps=4 (已停)
# exp2 num_timesteps=5 (已停)
# exp3 --num_timesteps 5,--lambda_inc 8 ，--gamma_stride 20,--lambda_global 6.0,--lambda_ctn 10, --lr 0.000002 (已停)
# exp4 --num_timesteps 5,--lambda_inc 8 ，--gamma_stride 20,--lambda_global 6.0,--lambda_ctn 10, --lr 0.000002, ET_XY=self.netE(XtXt_1, self.time, XtXt_1).mean() - torch.logsumexp(self.netE(XtXt_1, self.time_idx, XtXt_2).reshape(-1), dim=0) ,并把GAN,CTN loss考虑到了A1和B1 (已停)
# exp5 基于 exp4 ，修改了 self.loss_global = self.calculate_similarity(self.mutil_real_A0_tokens, self.mutil_fake_B0_tokens) + self.calculate_similarity(mutil_real_A1_tokens, self.mutil_fake_B1_tokens) ,gpu_id 1 (已停)
# 上面几个实验效果都不好，实验结果都已经删除了，开的新的train_sbiv 对代码进行了调整，效果变得更好了。