About YML config

[CR7forMadrid]

您好，感谢您提供非常棒的FRL 项目，但我有一个疑问，为什么FRL需要提供两个yml文件，这样做和basicSR相比的好处在哪？（我看到在task.yml中可以根据任务不同提供数据集，但是也多了很多其他参数，比如hook_layer_type等）

[CR7forMadrid]

我也尝试在您提供的FRL项目中进行Interpret，但是生成的LAM Attrbution和Area of Contribution集中在左上角，与您给出的示例并不相同，请问是什么问题导致的呢？

[jnpngshiii]

有关YML的问题我抽空写个详细的回复，现在先解决有关LAM的问题。

请问你在计算LAM的时候使用的是什么模型呢？如果是ELAN或者ESWT的话，那么确实会出现LAM计算结果异常的情况。

我认为这是因为这两个模型使用了shift操作的原因（请参考_conv.py中的ShiftConv2d1x1和_tool.py中的PixelMixer）。LAM的计算依赖于模型的梯度，而无参数的shift操作可能会对模型的梯度产生影响。

你可以尝试计算EDSR，RCAN或者IMDN这种没有shift操作的模型的LAM，结果应该都是正确的。

顺便一提，LAM的方法是我从官方仓库里移植来的，除了包装没有做任何修改，你可以放心使用～

[jnpngshiii]

还有啊，README的LAM示例是从官方仓库里copy的，所以你的结果肯定和示例不同。主要是因为官方的图好看，所以就就直接拿来用了🤣。

[CR7forMadrid]

有关YML的问题我抽空写个详细的回复，现在先解决有关LAM的问题。

请问你在计算LAM的时候使用的是什么模型呢？如果是ELAN或者ESWT的话，那么确实会出现LAM计算结果异常的情况。

我认为这是因为这两个模型使用了shift操作的原因（请参考_conv.py中的ShiftConv2d1x1和_tool.py中的PixelMixer）。LAM的计算依赖于模型的梯度，而无参数的shift操作可能会对模型的梯度产生影响。

你可以尝试计算EDSR，RCAN或者IMDN这种没有shift操作的模型的LAM，结果应该都是正确的。

顺便一提，LAM的方法是我从官方仓库里移植来的，除了包装没有做任何修改，你可以放心使用～

谢谢，我使用的是ESWT模型。我将尝试使用您提供的项目测试其他网络的LAM结果。 再次表达感谢！

[jnpngshiii]

您好，感谢您提供非常棒的FRL 项目，但我有一个疑问，为什么FRL需要提供两个yml文件，这样做和basicSR相比的好处在哪？（我看到在task.yml中可以根据任务不同提供数据集，但是也多了很多其他参数，比如hook_layer_type等）

我个人认为，实验配置分两种：

• 一种是对于不同的模型都通用的配置，如：num_in_ch、num_out_ch和use_hflip等
• 另一种是对于不同的模型不通用的配置，如：network_g、optim_g和scheduler等

FRL读取的两个yml文件分别对这两种实验配置进行配置。这么做有如下的考量：

比如说我现在新添了一个功能demo.py，它的配置如下：

demo_yml:
  a: 1
  b: 2
  c: 3
  ...
  z: 26

如果我想要在EDSR、RCAN和SwinIR这几个模型上使用这个功能，我需要将这个实验配置分别复制到它们的yml文件中。这非常繁琐并很容易出错。此外，由于这个实验配置很长，这也会大大影响yml文件的可读性。因此，如果这个功能的实验配置对于不同的模型都通用，我们可以将其放在一个单独的yml文件中。这不仅使得yml文件更具有可读性，还能给你的实验带来便利（比如说你想把a的值修改为0，现在你只需要修改一次而不是多次）。

[jnpngshiii]

此外，这么做还有一种好处，就是你可以随意组合不同的yml文件。比如说对于如下的配置文件：

• EDSR.yml和RCAN.yml
• CSR_x4.yml和Denoising.yml

你可以随意组合它们以进行四种不同的实验，而无需修改yml文件或者使用--force_yml。

[CR7forMadrid]

您好，感谢您提供非常棒的FRL 项目，但我有一个疑问，为什么FRL需要提供两个yml文件，这样做和basicSR相比的好处在哪？（我看到在task.yml中可以根据任务不同提供数据集，但是也多了很多其他参数，比如hook_layer_type等）

我个人认为，实验配置分两种：

• 一种是对于不同的模型都通用的配置，如：num_in_ch、num_out_ch和use_hflip等
• 另一种是对于不同的模型不通用的配置，如：network_g、optim_g和scheduler等

FRL读取的两个yml文件分别对这两种实验配置进行配置。这么做有如下的考量：

比如说我现在新添了一个功能demo.py，它的配置如下：

demo_yml:
  a: 1
  b: 2
  c: 3
  ...
  z: 26

如果我想要在EDSR、RCAN和SwinIR这几个模型上使用这个功能，我需要将这个实验配置分别复制到它们的yml文件中。这非常繁琐并很容易出错。此外，由于这个实验配置很长，这也会大大影响yml文件的可读性。因此，如果这个功能的实验配置对于不同的模型都通用，我们可以将其放在一个单独的yml文件中。这不仅使得yml文件更具有可读性，还能给你的实验带来便利（比如说你想把a的值修改为0，现在你只需要修改一次而不是多次）。

谢谢您的详细说明，这的确减少了许多繁琐的程序，同时也感谢您整理的优秀项目，祝科研顺利！ 再次感谢！ （By the way，我通过您提供的LAM项目测试了我自己的网络和SwinIR，结果是正常的！）

[jnpngshiii]

也祝你科研顺利～