最近需要實現超分辨率問題，但EDSR模型不適合自己的數據集，故重新用keras寫了一遍，以下是遇到的坑：
1、批量讀取圖片
因爲內存不夠的問題，嘗試了h5py，train_on_batch，以及fit_generator三種不同的加載大數據集的方式，最後感覺還是fit_generator好用，生成器代碼如下（訓練和標籤均爲圖片）：
def generator(index_list,path,batch_size):
list_x=[]
list_y=[]
count=0
i = 0
while 1:
f = index_list[i%len(index_list)]
img_path1 = path + 'low/' + f
img_path2 = path + 'high/' + f
img_data = image.load_img(img_path1)
img_label = image.load_img(img_path2)
img_array = image.img_to_array(img_data)
img_array2 = image.img_to_array(img_label)
list_x.append(img_array)
list_y.append(img_array2)
count+=1
i = i+1
if count>=batch_size: #數據記錄達到batch_size才返回
yield (np.array(list_x), np.array(list_y))
count=0
list_x=[];list_y=[]
2、殘差縮放問題
在原論文中，爲了防止訓練一段時間梯度消失或爆炸的問題（自己訓練時20個epoch就會爆炸），引入了縮放因子，即將層中所有數都乘以一個數（此處爲0.1），在tensorflow代碼中，只需要直接乘以0.1即可，但keras並不支持此操作，因此在此處引入了lambda函數，lambda函數用以對上一層的輸出施以任何Theano/TensorFlow表達式，但只接收一個變量，即上一層的輸出。
#殘差塊
def scale(output_layer):
return output_layer * 0.1
def Resblock(x,channels=64,kernel_size=(3,3)):
tmp = Conv2D(channels, kernel_size, strides=1, padding='same', activation='relu')(x)
tmp = Conv2D(channels, kernel_size, strides=1, padding='same')(tmp)
tmp = Lambda(scale)(tmp)
z = add([x, tmp])
return z
3、定義本論文的殘差網絡，只需要將殘差塊寫好，然後使用一個for循環即可堆疊，十分簡便
4、訓練好模型後再保存，會報錯，此時需要加入custom_objects，即model = load_model('model3.h5',custom_objects={'PSNR_':PSNR_,'scale':scale}),並將自定義的函數重新載入。
但還有一個問題是，會報一些其他錯誤，錯誤原因是將在gpu訓練好的模型放在cpu模型下導入，則會產生錯誤。訓練和加載的環境需要一致。