一、遇到的问题
1.RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same
RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same当想要测试搭建的网络，看看各个过程的输出形状，随便创建个固定shape的输入如下
search_var = torch.FloatTensor(1, 3, 255, 255).cuda()观察报错的问题，发现是输入 是 torch.cuda.FloatTensor类型的，而 weight是 torch.FloatTensor类型的，所以，需要把 model 放到cuda上才行。
解决：
model =model.cuda()2. TypeError: 'PointTarget' object is not iterable
这个是由于在 设计 points时产生的问题，由于定义类中的
class PointTarget:
def __init__(self):
def __call__(self, target, size, neg=False):
__init__ 和 __call__ 传入参数冲突引起的，故需要做出改变。
而且在利用类时一定要首先初始化实例对象，
3.debug 时 变量若显示unable to get repr for ＜class ‘torch.Tensor‘
分类损失函数，用的focal loss， 所以送入之前数据需要映射到0~1之间，故需要进行一下sigmoid运算 。
4. RuntimeError: CUDA error: device-side assert triggered
5 .神经网络的输出出现nan值
这个可能由于搭建网络结构时，某层的网络的输出没有规一化或者 relu 输出，导致输出值不正常
6. config.py 与 config.yaml冲突
若config.yaml中设置的参数值同时也出现在了config.py文件中的话，一定要确保config.py文件中参数设置的值 与 config.yaml中设置的一致
7. 分布式训练卡住
可以设置
--nproc_per_node=1但第二天早上 又 设置成 2又不卡了。
二、 实现历程
1. 搭建自己的网络
首先根据设计的方法搭建模型，编写代码。 搭建模型的过程中 分部分来完成，即先完成基础的每个部分，然后将它们连接在一起。比如举例来说 分成了 backbone 和 head。
最后通过创建一个model类来完成模型的前向传播过程，这个会继承pytorch的nn.Module类
可以随便创建哥输入变量，然后一步一步看看传输过程中特征shape的变化，创建tensor变量的语句如下
template_var = torch.rand((1, 3, 127, 127))
search_var = torch.rand((1, 3, 255, 255))2. 设计以及实现损失函数的计算
搭建完网络结构之后，可以通过model得到想要的输出形式，然后接下来就是损失函数的设计与实现。首先，根据损失函数的需要，先把整个流程确定下来。在这个过程中，涉及到 标签的get，根据想要的输出怎么得到对应的标签呢？标签的shape 一般来说都是与 model 的output shape 相对应的。这里 标签一定要与 得到的预测输出一一对应，与之相联系的就是在进行标签和预测输出进行 permute 和 torch.cat 等等操作时shape变换的对应。
1） 创建points
2） 得到标签 cls 和 reg
3） 组成data 正式训练时构建 dataloader
4） 搭建模型 model
5） 数据送入model，得到预测输出
3. 嵌入模型
1） 注意data的重新设置。 data中的标签看看是否匹配了
2） 注意训练时 model 的 forward 过程，是否顺利
3） 网络中各模块学习率和优化器的设置，注意这方面的解耦学习率的设置 是通过字典来设置的，参数 和 lr 键 以及再设置对应的值
4. 推理过程
推理过程与训练过程是两个截然不同的部分，一般推理过程和训练过程在同一个tracker类里，不过它们需要分开去定义自己的流程。