pip install -r requirements.txt
bash scripts/radar.sh
bash scripts/radar_multi.sh
bash scripts/test_radar_multi.sh
输入格式：in_classes x H x W
输出格式：out_classes x H x W
例如，在降水定量估计任务中，
输入格式：npy文件，shape为(15, 256, 256)，15表示15个因子，256表示图像的高度，256表示图像的宽度。
输出格式：npy文件，shape为(4, 256, 256)，4表示4个降水等级，256表示图像的高度，256表示图像的宽度。
train.py：训练模型，单GPU版本。train_multi.py：训练模型，多GPU版本。evaluate.py：验证模型，在训练神经网络模型的过程中对模型在验证集上的性能进行评估utils：工具包，包含数据预处理、数据增强、模型评估等功能。unet：模型的网络结构res：保存训练过程中的模型权重、日志文件等。scripts：训练和测试的脚本。data：数据集。python -m torch.distributed.launch --nproc_per_node=1 --master_port=12347 train_multi.py \
--epochs 3\
--batch-size 2 \
--learning-rate 1e-5 \
--scale 0.5 \
--validation 1.0 \
--in_classes 15 \
--out_classes 4 \
--dir_img data/radar_npy/factors/ \
--dir_mask data/radar_npy/ob/ \
--dir_checkpoint res/41_3/checkpoint/ \
--save_checkpoint 1 \
--save_interval 1 \
--log_dir res/41_3/runs/ \--master_port=12347：设置主节点的通信端口。
--epochs 3：训练过程要遍历整个训练数据集的次数。
--batch-size 2：在训练过程中，一次输入到网络中并更新参数的样本数量。
--learning-rate 1e-5：学习率，决定参数更新的快慢。
--scale 0.5：这可能是数据预处理的一个步骤，可能是缩放图像的因子。
--validation 1.0：验证集的比例或使用验证的频率。
--in_classes 15：输入的类别数。
--out_classes 4：输出的类别数。
--dir_img data/radar_npy/factors/：输入的多因子数据的文件夹路径。
--dir_mask data/radar_npy/ob/：输入的目标数据的文件夹路径。
--dir_checkpoint res/41_3/checkpoint/：在训练过程中，模型权重保存的文件夹路径。
--save_checkpoint 1：是否保存模型权重的标识，1表示保存，0可能表示不保存。
--save_interval 1：保存模型权重的频率，例如，每过1个epoch保存一次模型权重。
--log_dir res/41_3/runs/：日志文件保存的文件夹路径。