1：基础配置
要求大于等于11G的显卡，安装pytorch，下载代码。

2：测试
dataset文件中放的是一些例子，下载cityscape的预训练权重，放入到checkpoints文件夹下，测试模型。测试结果放在results文件夹下的label2city_1024p文件夹下。

3：数据集
首先下载Cityscape数据集，接着放置在datasets文件夹下，要和example放置的一样。

example放置：里面每个文件下的图片都是一一对应的。

下载后的原始数据集：

每一个文件夹下都有三个文件夹，里面放的是train，test，val。

每一个train，test，val下放的都是城市的名字，每个城市名字下放的是图片。

4：训练
训练使用512x1024大小的数据集。

5：多GPU训练
在train的时候制定GPU的型号即可。

6：混合精度
训练时候制定使用混合精度即可，前提是安装了APEX。

7：如果要在训练时候使用全分辨率，需要24G以上的内存，否则就裁切到512x1024.
8：训练自己的数据集
8.1：首先生成一个通道的寓意标签，标签上的每个值是物体对应的类别数，因为我们要从标签图中生成one-hot编码。在训练和测试时候制定通道数(类别数，cityscape未转换前是35个类别)。
8.2：如果输入不是标签图的话，指定label_nc=0，这将会直接使用RGB图片，dataset的名称也应该由train_label,train_img替换为train_A,train_B。即将A转换为B。
8.3:如果没有实例图，指定no_instance。
8.4:默认的预处理方式是scale_with，首先会将训练图片的宽缩放到1024，同时保持横纵比，长就会变为512（横纵比2:1），如果想用不同的设置，通过使用resize_or_crop改变他。比如，scale width and crop首先将图片的宽缩放到1024,然后随机crop到(finesize,finesize)，长和宽一样。crop的话跳过resize操作，随机剪切。不想预处理的话就设置为None。

9：more