运行训练与评估

前提条件

1. 项目根目录
   确保当前工作目录包含 statics/、training_scripts/、common/ 等文件夹：
2. 环境与依赖 激活你的 virtualenv 或 Conda 环境，并安装依赖： pip install -r requirements.txt 如果使用 GPU，确保安装了带 CUDA 的 PyTorch（包含 torchrun）。
3. YAML 与 JSONstatics/aigc/resnet_train.yaml 中的 path 应指向 DiffusionForensics/dire/train.json。 若有独立的 val.json 或 test.json，YAML 文件需包含对应的 test_dataset: 配置。

单卡训练 (Single-GPU Training)

快速在一张 GPU 上检验流程：

CUDA_VISIBLE_DEVICES=0 \
python training_scripts/train.py \
  --config statics/aigc/resnet_train.yaml

该命令将会： 通过你的 Dataset 加载 train.json 构建 Resnet50(pretrained=True, image_size=224) 按 YAML 中指定的 epochs 运行若干轮 将日志与 checkpoint 写入 log_dir

多卡训练 (Multi-GPU / DDP Training)

利用多卡，可使用 torchrun 或封装脚本： 使用 torchrun:

CUDA_VISIBLE_DEVICES=0,1 \
torchrun \
  --standalone \
  --nnodes=1 \
  --nproc_per_node=2 \
  training_scripts/train.py \
  --config statics/aigc/resnet_train.yaml

--nproc_per_node 应与 YAML 中 gpus: 列表的 GPU 数量一致。 使用脚本封装:

bash statics/run.sh statics/aigc/resnet_train.yaml

若已在 run.sh 中覆盖默认配置路径：

yaml_config="statics/aigc/resnet_train.yaml" bash statics/run.sh

进度监控与管理

在 log_dir（YAML 中指定）下有： logs.log → 标准输出（每轮 loss、accuracy 等） error.log → 标准错误（警告与异常） 实时查看：

tail -f log/aigc_resnet_df_train/logs.log

使用 TensorBoard（若配置）：

tensorboard --logdir log/aigc_resnet_df_train

断点续跑

在 YAML 中设置：

resume: "path/to/checkpoint.pth"
start_epoch: 5

重新执行相同启动命令，训练将从第 5 轮继续。

测试模式运行

准备测试配置：复制训练 YAML 为 statics/aigc/resnet_test.yaml，修改为：

flag: test
test_dataset:
  - name: AIGCLabelDataset
    init_config:
      image_size: 224
      path: DiffusionForensics/dire/test.json

启动评估程序：

bash statics/run.sh statics/aigc/resnet_test.yaml

评估指标（F1、AUC 等）将打印于控制台并保存至 log_dir。