Copycat 机器学习节点控制器的参数及功能 | Nuke教程

Copycat 机器学习节点控制器的参数及功能

1、本地GPU（gpuName）：默认不启用

启用“使用GPU”（如果可用）时显示用于渲染的GPU。本地GPU显示在以下情况下不可用：

•在“首选项”中，将“使用CPU”选择为默认的渲染设备。

•在系统上找不到合适的GPU。

•无法创建用于在所选GPU上进行处理的上下文，例如，当GPU上没有足够的可用内存时。

可以选择另一个GPU（如果有），方法是在“首选项”，从默认设备下拉列表中选择一个替代的GPU ，选择其他GPU要求您重新启动Nuke才能使更改生效。

使用GPU（如果有）useGPUIfAvailable：勾选后将会启用，启用后，渲染将在指定的本地GPU（如果有）上而不是CPU上进行。

2、资料目录（dataDirectory）：默认为空，需要手工选择目录，选定后CopyCat表和.cat文件将会输出到此目录下。

3、精度(epochs):默认为10000,设置后在训练网络期间CopyCat处理整个数据集的次数。较高的值通常会产生更高精度的结果，但是会花费更长的处理时间。

4、显示信息，可在高级选项中自定义
通道数（Channels）：神经网络模型要处理的通道信息。

默认情况下，Batch Size（批次大小）是使用可用的GPU内存自动计算的。

Batch Size（批量大小）：CopyCat都会使用输入和结果图像信息除以“批次大小”中的随机作物对来训练网络。

Total Steps = Epochs * (Data Set Size) / (Batch Size)

Total Steps（总步数）：完成指定数量的精度所需的步骤数，总步数=精度*（数据集）/（批处理大小）。

Crop Size（裁切大小）：定义从数据集图像对中获取解算部分的大小。较大的值通常会产生更准确的结果，但是会消耗更多处理时间和内存为代价，而较小的值可能需要更多的迭代尝试才能产生良好的结果。 在我们的测试中，默认256适用于大多数场景，但较大图像的数据集可能需要较大的参数才能有效训练。

Checkpoint Interval（检查点间隔）：设置保存到数据目录中的每个检查点.cat文件之间的步数。 可以将.cat文件加载到推理节点中，以在整个序列上的检查点查看训练进度。

5、开始训练（startTraining）：单击以开始使用当前设置训练网络。

继续训练（Resume Training）：单击后会从数据目录中记录的检查点再次重复训练。

建立推论（Create Inference）：在训练完毕后，单击将一个Inference（推理节点）添加到“节点图”，该节点会自动引用此CopyCat节点的生成的.cat文件。

Graphs Tab
Log Scale（对数刻度）：启用后，图形y轴将从线性转换为对数，随着训练的深入，它可以较低的值显示更多详细信息。

Smoothness（光滑度）：显示指定数据目录中所有训练的步数/损失数据。 可以使用曲线通过图表上方的缩放控件实时监视训练。

Runs（运行）：显示指定目录中所有在运行训练的数据。 可以使用每个条目左侧的复选框启用和禁用曲线以分别运行。还可以通过双击“名称”字段并输入自己的字符串来重命名“数据目录”中的文件。

Python选项卡（这些控件用于Python回调，可用于在Nuke中发生各种事件时自动调用Python函数。）

before render（渲染前）：这些函数在开始执行execute（）之前运行。如果它们引发异常，则渲染中止。
after each frame（每帧之后）：这些功能在开始渲染每个单独的帧之前运行。如果它们引发异常，则渲染中止。
after each frame（每帧之后）：这些功能在每帧渲染完成后运行。如果渲染异常终止，则不会调用它们。如果它们引发异常，则渲染中止。
after render（渲染后）：这些功能在所有帧的渲染完成后运行。如果他们抛出错误，则渲染中止。
render progress（）这些功能在渲染过程中运行以确定进度或失败。