您好！感觉您的代码和论文公式表示的有些区别

[qizhou000]

关于Patch-Based Cross-Scale Non-Local Attention

如论文公式(4)所示，Z是一个patch(si,sj)对应一个X的patch(i,j)来计算的；而在相应代码的F.conv_transpose2d那行，每个Z的像素点似乎是由X相应位置的9个patch来计算的。
意思不太好表达，不知我说清楚了没有。。。请大佬赐教。

[HarukiYqM]

Hi，公式4指的是z的一个patch 是由所有patch加权求和得到的，权重由x和y直间patch的相似度决定，相似度由点乘来衡量，等价于将y切成pp的patch 作为conv filter对x进行卷积。拿到x上每一个patch对所有y的patch的权重之后，用反卷积conv_transpose2d将所有patch加权求和，这时每一个patch的大小是spsp。

另外可以参考contextual inpainting (https://github.com/daa233/generative-inpainting-pytorch) 的代码实现，跟这篇文章用了类似的想法，以及（https://github.com/SHI-Labs/Cross-Scale-Non-Local-Attention/issues/3）。

[qizhou000]

十分感谢！另外我想问一下训练细节相关的问题：
1、一个epoch包含几次迭代？
2、各个scale大概都训练了多久？用了几张显卡？
如能告知，不胜感激。

[HarukiYqM]

十分感谢！另外我想问一下训练细节相关的问题：
1、一个epoch包含几次迭代？
2、各个scale大概都训练了多久？用了几张显卡？
如能告知，不胜感激。

1. 一个epoch batch size 16 迭代1000 次。 可以按照demo里的默认setting跑。关于训练细节可以另外参考(https://github.com/sanghyun-son/EDSR-PyTorch). The training part of repo is fully based on EDSR-PyTorch.
2. 4*v100可能需要5天左右。之前训练的时候集群资源有限，在训练时卡数(best available)不是固定的, 时间可能不准确。