1.
论文
地址：
[2105.05883v2] Clustered Sampling: Low-Variance and Improved Repr
es
entativity for Clients Selection in Federated Learning (arxiv.org)
在之前的博客中已经介绍了
ES
PC
N的原理了（学习笔记之——基于
深度学习
的图像超分辨率重构）本博文是对
ES
PC
N进行实现。
代码
的框架仍然采用xintao前辈的
代码
，本博文会给出关键的实现部分
python
train.py -opt options/train/train_sr.json
python
t
es
t.py -opt options/t
es
t/t
es
t_sr.json
ES
PC
N的网...
cuda 9.2
python
3.6
github： [https://github.com/leftthomas/
ES
PC
N](https://github.com/leftthomas/
ES
PC
N)
上面github应该是官方
代码
，但是用的
pytorch
0.4以前的版本应该是，cuda是8.0，
python
是2.7
T
es
t
Datasets
：这个repo提供了三种类型的视频数据集进行测试，即标准测试数据集——TecoGAN中使用的Vid4、Tos3和我们的新数据集——Gvt72（从站点中选择并包括更多场景）。
更好的性能：此
为模型提供了比以前的方法更快的推理速度和更好的整体性能。
请参阅部分中的更多详细信息。
Ubuntu
16.04
CUDNN
Python
PyTorch
1.0.0
Python
包：numpy、
ES
PC
N-TensorFlow
TensorFlow（
ES
PC
N）中高效子像素卷积神经网络的TensorFlow实现。 基于网络和本改编的
代码
。 这个网络可以实现的实时性能 ，同时也超越了质量 。
Python
2.7
TensorFlow
脾气暴躁的
Scipy版本> 0.18
在训练每个新模型之前，运行prepare_data.py格式化训练和验证数据培训：
python
train.py 可以指定时期，学习率，批量大小等：
python
train.py --epochs 10 --learning_rate 0.0001 --batch_size 32
用于生成：
python
generate.py 必须指定检查点，低分辨率图像和输出路径
python
generate.py --checkpoint logdir_2x/train --lr_image
Informer
代码
复现
是指根据Informer模型的原始
论文
和开源
代码
，重新实现该模型的过程。通过引用和可以得知，Informer是一种对Transformer模型进行了改进的方法，以提高计算、内存和体系结构的效率。同时，作者也提供了清晰的开源
代码
，使得其他研究者可以方便地进行
复现
。
在Informer的编码过程中，使用了ProbSparse自注意力模块和自注意力蒸馏模块，这些模块能够通过稀疏矩阵替代原来的注意力矩阵，从而减少计算资源需求并保持良好的性能。具体的
复现
过程可以参考原始
论文
和开源
代码
中提供的详细说明。根据引用的描述，编码器接收长序列输入，并通过ProbSparse自注意力模块和自注意力蒸馏模块获得特征表示。
因此，要
复现
Informer模型，需要仔细阅读Informer的原始
论文
和开源
代码
，并按照其中提供的步骤和方法进行实现。注意理解ProbSparse自注意力模块和自注意力蒸馏模块的具体实现细节，并根据
论文
中提供的指导进行相应的
代码
编写和调试。在实现过程中，可以借助超算等计算资源来加速实验和获取实验数据，以验证
复现
结果的准确性。
总结而言，Informer
代码
的
复现
是通过阅读原始
论文
和开源
代码
，并按照其中提供的方法和步骤进行实现的过程。而实现过程中需要注意ProbSparse自注意力模块和自注意力蒸馏模块的实现细节，并根据
论文
的指导进行
代码
编写和调试。
