前言：
我在老师、学长的帮助下，浏览了很多CSDN博客配完了GaitSet，为了总结经验，同时也希望初学者少踩坑，便写下这篇博文。
注：博主刚大二，撰写的过程中难免会出现差错，望各位谅解
目录
一、配置硬件环境 驱动&CUDA&CUDNN
1.确定显卡型号
2.下载NVIDIA驱动程序
3.下载&安装CUDA
4.下载&安装CUDNN
5.环境变量
二、软件环境
1.数据集CASIA-B
2.代码
3.软件包
4.torch三件套（重点）
三、改动代码
1. triplet.py部分代码改动
2. pretreatment.py函数
3. config.py改动
四、代码运行
1.pretreatment函数
2.train函数
3.test函数
一、配置硬件环境 驱动&CUDA&CUDNN
1.确定显卡型号
按windows+r 并输入cmd打开Windows的运行对话框，如图
打开后输入 nvidia-smi(见红线部分) 可打开NVIDIA面板，如图
先不管绿线部分，其中蓝线部分是你的GPU型号，以我的电脑为例，型号为GeForce RTX 4060 Laptop GPU
2.下载NVIDIA驱动程序
前往NVIDIA GeForce 驱动程序 - N 卡驱动 | NVIDIA下载，还是以我的电脑为例，如图
3.下载&安装CUDA
之前的绿线部分表示显卡所支持的CUDA（最高）版本，在https://developer.nvidia/cuda-12-1-0-download-archive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_local进行下载，读者可根据需要自行选择，此处我选择CUDA12.1，如图
之后开始安装，这里安装路径可以自定义，我选择在D盘创建一个CUDA空文件夹安装
选择自定义安装
这三个不要选，别急，还有
CUDA中，这个别选
这俩位置其实也可以自定义，为了省事我就方放同一个文件夹了，这里我选D盘
这里有一败笔，前文的EXtraction路径与下面的两个路径不能相同，不然吞你文件
若真消失了，请看关于安装CUDA后文件夹消失的问题_cuda安装后文件夹不见了-CSDN博客
然后安装完成后，在D:\CUDA12.1\bin 下找一个叫nvcc的应用程序，找到的话，CUDA就安装成功
接着，在 D:\CUDA12.1\extras\CUPTI\lib64 路径下，找cupti64_2023.1.0.dll这个应用程序拓展
能找到就算成功
4.下载&安装CUDNN
在https://developer.nvidia/rdp/cudnn-archive下载对应CUDA12.x版本的CUDNN，这里我选择的是v8.9.7
读者要根据自己的CUDA版本选择，若是CUDA11.x（建议装11.8）的就去找11.x对应的CDUNN
下载后进行解压，将对应的bin、lib、include与CUDA12.1对应的bin、lib、include进行合并。
CUDNN中bin文件的cudnn64_8.dll放入CUDA12.1的bin文件中
CUDNN中include文件的cudnn.h放入CUDA12.1 include文件中
CUDNN中lib\x64文件的cudnn.lib的放入CUDA12.1的lib\x64中
5.环境变量
打开设置界面，在“系统”中选择“系统信息”
然后点击“高级系统设置” ，进入系统属性界面，先点“高级”，再点“环境变量”
一般来说CUDA12.1会自动加上去，如图
CUDA_PATH一样的设置
系统变量(S)中找到Path
给这俩加进去
点击确定后就行
然后Windows+r 再输入cmd，输入nvcc -V(现在知不知道让你找的那个nvcc文件是干什么的了?)
二、软件环境
1.数据集CASIA-B
在生物识别与安全技术研究中心中找到Dataset B (大概628M)并下载
CASIA-B是中国科学院自动化研究所提供的CASIA步态数据库其中之一。CASIA步态数据库有三个数据集：Dataset A（小规模库）, Dataset B（多视角库）和Dataset C（红外库），本文采用的是Dataset B。若想了解更多关于CASIA-B的内容，请在其他文章中搜索
2.代码
| Python版本 | 3.12 |
| Pycharm | 2024.1 |
| 解释器 | system 3.12 |
有两种方法下代码
（A）点击GitHub - AbnerHqC/GaitSet: A flexible, effective and fast cross-view gait recognition network
去下载源代码，如果打不开GitHub就去下一个watt toolkit加速器，加速GitHub
（B）用python终端下载，终端输入这些
git clone https://github/AbnerHqC/GaitSet.git多添一句，我用github下载其他代码的时候有概率会弹出404界面，此时用终端是最好的选择
3.软件包
大概要下载这么多
除了torch torchaudio torchvision先别安装，别的包只要版本差不多就行，可以用解释器下载，如果网络抽风就用终端下载
关于终端pip下载，有兴趣的可以看
【Python】pip超详细教程，pip的安装与使用，解决pip下载速度慢的问题-CSDN博客
4.torch三件套（重点）
现在是torch的问题，torch的版本与CUDA版本有对应关系，且torch三件套的版本严格对应，所以不要随意下载版本
这里我用的的torch版本是2.3.1，读者在选择自己的torch版本时要注意与CUDA的兼容性
先在Previous PyTorch Versions | PyTorch这个网站找到torch2.3.1的Windows部分，如图，找CUDA12.1的那一部分
在pycharam终端输入这句
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch/whl/cu121等个几分钟或十几分钟就可以，会给你下一堆东西
有这些东西应该差不多了，然后创个python程序写下这些
import torch
print(torch.cuda.is_available())
print(torch.__version__)如果输出这些
True
2.3.1+cu121
就可以了，第一个print是输出你的torch+GPU是否存在，第二个输出torch+GPU版本，切记，一定要GPU版本的torch，就是torch版本+cu版本的这种形式，不然你后续代码跑不了
三、改动代码
1. triplet.py部分代码改动
这一部分
用下面这一部分代替
# hard
hard_hp_dist = torch.max(torch.masked_select(dist, hp_mask.to(torch.bool)).view(n, m, -1), 2)[0]
hard_hn_dist = torch.min(torch.masked_select(dist, hn_mask.to(torch.bool)).view(n, m, -1), 2)[0]
hard_loss_metric = F.relu(self.margin + hard_hp_dist - hard_hn_dist).view(n, -1)
hard_loss_metric_mean = torch.mean(hard_loss_metric, 1)
# non-zero full
full_hp_dist = torch.masked_select(dist, hp_mask.to(torch.bool)).view(n, m, -1, 1)
full_hn_dist = torch.masked_select(dist, hn_mask.to(torch.bool)).view(n, m, 1, -1)
full_loss_metric = F.relu(self.margin + full_hp_dist - full_hn_dist).view(n, -1)2. pretreatment.py函数
在两条黄线之间添加部分代码
添加这三行
wd = os.getcwd()
input_path = os.path.join(wd, 'input_data_path')
output_path = os.path.join(wd, 'output_data_path')其中的input_data_path与output_data_path需要自行修改
再改一点
后面的部分这样改，不然报错，只创建文件夹，不输出图片
if __name__ == '__main__':
pool = Pool(WORKERS)
results = list()
pid = 0
print('Pretreatment Start.\n'
'Input path: %s\n'
'Output path: %s\n'
'Log file: %s\n'
'Worker num: %d' % (
INPUT_PATH, OUTPUT_PATH, LOG_PATH, WORKERS))
id_list = os.listdir(INPUT_PATH)
id_list.sort()
# Walk the input path
for _id in id_list:
seq_type = os.listdir(os.path.join(INPUT_PATH, _id))
seq_type.sort()
for _seq_type in seq_type:
view = os.listdir(os.path.join(INPUT_PATH, _id, _seq_type))
view.sort()
for _view in view:
seq_info = [_id, _seq_type, _view]
out_dir = os.path.join(OUTPUT_PATH, *seq_info)
os.makedirs(out_dir)
results.append(
pool.apply_async(
cut_pickle,
args=(seq_info, pid)))
sleep(0.02)
pid += 1
pool.close()
unfinish = 1
while unfinish > 0:
unfinish = 0
for i, res in enumerate(results):
try:
res.get(timeout=0.1)
except Exception as e:
if type(e) == MP_TimeoutError:
unfinish += 1
continue
else:
print('\n\n\nERROR OCCUR: PID ##%d##, ERRORTYPE: %s\n\n\n',
i, type(e))
raise e
pool.join()input_data_path为CASIA-B数据集在本地文件的地址。（注意：你需要解压完全，数据集压缩包内的小数据集依旧是压缩包的形式，同样需要进行解压缩操作，直到图片出现为止）
output_data_path为数据集预处理后存放的路径。此文件必须是一个空文件，否则会报错，下面是我的Path设置
wd = os.getcwd()
input_path = os.path.join(wd, 'E:\步态测试\GaitSet-master\GaitDatasetB-silh0\pretreatment')
output_path = os.path.join(wd, 'E:\步态测试\GaitSet-master\GaitDatasetB-silh0\output1')这里有一大败笔，路径尽量或压根别带中文，不然到时候跑train.py或者test.py就惨了
3. config.py改动
必须要改的大概这三个
WORK_PATH路径：你代码里面的“work”，如图，给它路径写上去（斜杠前的点就代表当前路径）
CUDA_VISIBLE_DEVICES：使用的GPU编号，一般电脑只有一个GPU（比如我），所以只用“0”，想查看GPU个数请转到
Windows系统查询CPU、GPU、CUDA_cuda查询gpu数量和核心数量-CSDN博客
dataset_path：就是前面说的output_path(切记别带中文)
"WORK_PATH": r"E:\Gait DataSet\work",
"CUDA_VISIBLE_DEVICES": "0",
"data": {
# 'dataset_path': r"E:\Gait DataSet\test",
'dataset_path': r'E:\Gait DataSet\CASIA-B\output1',这是我的设置，其中的Gait DataSet是同样的数据集，因为前面用了中文路径所以顺带work复制到这来了，读者可不必这样操作
四、代码运行
1.pretreatment函数
作用是把输入图片进行裁剪，输入数据集是124个，输出数据集也是124个
切记，代码开始跑的时候就别动了，等它运行完会自行退出，博主曾经在它没跑完的时候就手动暂停了，导致output文件（也就是输出数据集）里从33号到124号都是空文件夹
跑完后去查看你的output文件夹
其中，./124/ nm-06/180是最后一小批文件，如果它们也被裁剪完，那么函数也就跑完了
2.train函数
在这之前先去config文件看看，确认前面说的三个路径配好了没，尤其是dataset_path ，也就是你的output_path路径千万别带中文，博主之前带了中文，结果跑train函数一堆错
'batch_size': (2, 16),建议你的batch_size改成这样，不然训练的时候容易崩，我用(2,16)跑的时候，GPU占用率从0%直逼96%，如果读者的电脑强而有力的话，可以不改
如果没跑完突然卡停了，去修改这个
'restore_iter': 0,打个比方，我当时跑到38100的时候由于不明原因卡退出去了，这时候把restore_iter改成38100，就能从38100开始继续跑，和pretreatment一样，跑完的时候会自己停，中途时间挺长，别乱动
3.test函数
在你跑完train的时候再跑，这个我没什么说的，如果你不想把train跑完就跑test，这样搞
还是我，当时train到38100的时候停了，直接跑test会报错，因为你的total_iter设置成了80000，把这个改成38100就行
'total_iter': 80000,不过test后的准确率必然大打折扣，还是强烈建议你跑完train
以上都是我遇到的问题，若仍无法解决，请看
【步态识别】GaitSet 算法学习+配置环境+代码调试运行《GaitSet: Regarding Gait as a Set for Cross-View Gait Recognition》_在哪里可以找步态识别的相关代码-CSDN博客
跑通GaitSet（跑不通你来揍我）_opengait 代码下载之后 如何运行-CSDN博客
GaitSet在Windows下配置到跑通的全过程记录_pycharm运行gaitset-CSDN博客
gaitset全代码实现问题总结_indexerror: caught indexerror in replica 0 on devi-CSDN博客
前言：
我在老师、学长的帮助下，浏览了很多CSDN博客配完了GaitSet，为了总结经验，同时也希望初学者少踩坑，便写下这篇博文。
注：博主刚大二，撰写的过程中难免会出现差错，望各位谅解
目录
一、配置硬件环境 驱动&CUDA&CUDNN
1.确定显卡型号
2.下载NVIDIA驱动程序
3.下载&安装CUDA
4.下载&安装CUDNN
5.环境变量
二、软件环境
1.数据集CASIA-B
2.代码
3.软件包
4.torch三件套（重点）
三、改动代码
1. triplet.py部分代码改动
2. pretreatment.py函数
3. config.py改动
四、代码运行
1.pretreatment函数
2.train函数
3.test函数
一、配置硬件环境 驱动&CUDA&CUDNN
1.确定显卡型号
按windows+r 并输入cmd打开Windows的运行对话框，如图
打开后输入 nvidia-smi(见红线部分) 可打开NVIDIA面板，如图
先不管绿线部分，其中蓝线部分是你的GPU型号，以我的电脑为例，型号为GeForce RTX 4060 Laptop GPU
2.下载NVIDIA驱动程序
前往NVIDIA GeForce 驱动程序 - N 卡驱动 | NVIDIA下载，还是以我的电脑为例，如图
3.下载&安装CUDA
之前的绿线部分表示显卡所支持的CUDA（最高）版本，在https://developer.nvidia/cuda-12-1-0-download-archive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_local进行下载，读者可根据需要自行选择，此处我选择CUDA12.1，如图
之后开始安装，这里安装路径可以自定义，我选择在D盘创建一个CUDA空文件夹安装
选择自定义安装
这三个不要选，别急，还有
CUDA中，这个别选
这俩位置其实也可以自定义，为了省事我就方放同一个文件夹了，这里我选D盘
这里有一败笔，前文的EXtraction路径与下面的两个路径不能相同，不然吞你文件
若真消失了，请看关于安装CUDA后文件夹消失的问题_cuda安装后文件夹不见了-CSDN博客
然后安装完成后，在D:\CUDA12.1\bin 下找一个叫nvcc的应用程序，找到的话，CUDA就安装成功
接着，在 D:\CUDA12.1\extras\CUPTI\lib64 路径下，找cupti64_2023.1.0.dll这个应用程序拓展
能找到就算成功
4.下载&安装CUDNN
在https://developer.nvidia/rdp/cudnn-archive下载对应CUDA12.x版本的CUDNN，这里我选择的是v8.9.7
读者要根据自己的CUDA版本选择，若是CUDA11.x（建议装11.8）的就去找11.x对应的CDUNN
下载后进行解压，将对应的bin、lib、include与CUDA12.1对应的bin、lib、include进行合并。
CUDNN中bin文件的cudnn64_8.dll放入CUDA12.1的bin文件中
CUDNN中include文件的cudnn.h放入CUDA12.1 include文件中
CUDNN中lib\x64文件的cudnn.lib的放入CUDA12.1的lib\x64中
5.环境变量
打开设置界面，在“系统”中选择“系统信息”
然后点击“高级系统设置” ，进入系统属性界面，先点“高级”，再点“环境变量”
一般来说CUDA12.1会自动加上去，如图
CUDA_PATH一样的设置
系统变量(S)中找到Path
给这俩加进去
点击确定后就行
然后Windows+r 再输入cmd，输入nvcc -V(现在知不知道让你找的那个nvcc文件是干什么的了?)
二、软件环境
1.数据集CASIA-B
在生物识别与安全技术研究中心中找到Dataset B (大概628M)并下载
CASIA-B是中国科学院自动化研究所提供的CASIA步态数据库其中之一。CASIA步态数据库有三个数据集：Dataset A（小规模库）, Dataset B（多视角库）和Dataset C（红外库），本文采用的是Dataset B。若想了解更多关于CASIA-B的内容，请在其他文章中搜索
2.代码
| Python版本 | 3.12 |
| Pycharm | 2024.1 |
| 解释器 | system 3.12 |
有两种方法下代码
（A）点击GitHub - AbnerHqC/GaitSet: A flexible, effective and fast cross-view gait recognition network
去下载源代码，如果打不开GitHub就去下一个watt toolkit加速器，加速GitHub
（B）用python终端下载，终端输入这些
git clone https://github/AbnerHqC/GaitSet.git多添一句，我用github下载其他代码的时候有概率会弹出404界面，此时用终端是最好的选择
3.软件包
大概要下载这么多
除了torch torchaudio torchvision先别安装，别的包只要版本差不多就行，可以用解释器下载，如果网络抽风就用终端下载
关于终端pip下载，有兴趣的可以看
【Python】pip超详细教程，pip的安装与使用，解决pip下载速度慢的问题-CSDN博客
4.torch三件套（重点）
现在是torch的问题，torch的版本与CUDA版本有对应关系，且torch三件套的版本严格对应，所以不要随意下载版本
这里我用的的torch版本是2.3.1，读者在选择自己的torch版本时要注意与CUDA的兼容性
先在Previous PyTorch Versions | PyTorch这个网站找到torch2.3.1的Windows部分，如图，找CUDA12.1的那一部分
在pycharam终端输入这句
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch/whl/cu121等个几分钟或十几分钟就可以，会给你下一堆东西
有这些东西应该差不多了，然后创个python程序写下这些
import torch
print(torch.cuda.is_available())
print(torch.__version__)如果输出这些
True
2.3.1+cu121
就可以了，第一个print是输出你的torch+GPU是否存在，第二个输出torch+GPU版本，切记，一定要GPU版本的torch，就是torch版本+cu版本的这种形式，不然你后续代码跑不了
三、改动代码
1. triplet.py部分代码改动
这一部分
用下面这一部分代替
# hard
hard_hp_dist = torch.max(torch.masked_select(dist, hp_mask.to(torch.bool)).view(n, m, -1), 2)[0]
hard_hn_dist = torch.min(torch.masked_select(dist, hn_mask.to(torch.bool)).view(n, m, -1), 2)[0]
hard_loss_metric = F.relu(self.margin + hard_hp_dist - hard_hn_dist).view(n, -1)
hard_loss_metric_mean = torch.mean(hard_loss_metric, 1)
# non-zero full
full_hp_dist = torch.masked_select(dist, hp_mask.to(torch.bool)).view(n, m, -1, 1)
full_hn_dist = torch.masked_select(dist, hn_mask.to(torch.bool)).view(n, m, 1, -1)
full_loss_metric = F.relu(self.margin + full_hp_dist - full_hn_dist).view(n, -1)2. pretreatment.py函数
在两条黄线之间添加部分代码
添加这三行
wd = os.getcwd()
input_path = os.path.join(wd, 'input_data_path')
output_path = os.path.join(wd, 'output_data_path')其中的input_data_path与output_data_path需要自行修改
再改一点
后面的部分这样改，不然报错，只创建文件夹，不输出图片
if __name__ == '__main__':
pool = Pool(WORKERS)
results = list()
pid = 0
print('Pretreatment Start.\n'
'Input path: %s\n'
'Output path: %s\n'
'Log file: %s\n'
'Worker num: %d' % (
INPUT_PATH, OUTPUT_PATH, LOG_PATH, WORKERS))
id_list = os.listdir(INPUT_PATH)
id_list.sort()
# Walk the input path
for _id in id_list:
seq_type = os.listdir(os.path.join(INPUT_PATH, _id))
seq_type.sort()
for _seq_type in seq_type:
view = os.listdir(os.path.join(INPUT_PATH, _id, _seq_type))
view.sort()
for _view in view:
seq_info = [_id, _seq_type, _view]
out_dir = os.path.join(OUTPUT_PATH, *seq_info)
os.makedirs(out_dir)
results.append(
pool.apply_async(
cut_pickle,
args=(seq_info, pid)))
sleep(0.02)
pid += 1
pool.close()
unfinish = 1
while unfinish > 0:
unfinish = 0
for i, res in enumerate(results):
try:
res.get(timeout=0.1)
except Exception as e:
if type(e) == MP_TimeoutError:
unfinish += 1
continue
else:
print('\n\n\nERROR OCCUR: PID ##%d##, ERRORTYPE: %s\n\n\n',
i, type(e))
raise e
pool.join()input_data_path为CASIA-B数据集在本地文件的地址。（注意：你需要解压完全，数据集压缩包内的小数据集依旧是压缩包的形式，同样需要进行解压缩操作，直到图片出现为止）
output_data_path为数据集预处理后存放的路径。此文件必须是一个空文件，否则会报错，下面是我的Path设置
wd = os.getcwd()
input_path = os.path.join(wd, 'E:\步态测试\GaitSet-master\GaitDatasetB-silh0\pretreatment')
output_path = os.path.join(wd, 'E:\步态测试\GaitSet-master\GaitDatasetB-silh0\output1')这里有一大败笔，路径尽量或压根别带中文，不然到时候跑train.py或者test.py就惨了
3. config.py改动
必须要改的大概这三个
WORK_PATH路径：你代码里面的“work”，如图，给它路径写上去（斜杠前的点就代表当前路径）
CUDA_VISIBLE_DEVICES：使用的GPU编号，一般电脑只有一个GPU（比如我），所以只用“0”，想查看GPU个数请转到
Windows系统查询CPU、GPU、CUDA_cuda查询gpu数量和核心数量-CSDN博客
dataset_path：就是前面说的output_path(切记别带中文)
"WORK_PATH": r"E:\Gait DataSet\work",
"CUDA_VISIBLE_DEVICES": "0",
"data": {
# 'dataset_path': r"E:\Gait DataSet\test",
'dataset_path': r'E:\Gait DataSet\CASIA-B\output1',这是我的设置，其中的Gait DataSet是同样的数据集，因为前面用了中文路径所以顺带work复制到这来了，读者可不必这样操作
四、代码运行
1.pretreatment函数
作用是把输入图片进行裁剪，输入数据集是124个，输出数据集也是124个
切记，代码开始跑的时候就别动了，等它运行完会自行退出，博主曾经在它没跑完的时候就手动暂停了，导致output文件（也就是输出数据集）里从33号到124号都是空文件夹
跑完后去查看你的output文件夹
其中，./124/ nm-06/180是最后一小批文件，如果它们也被裁剪完，那么函数也就跑完了
2.train函数
在这之前先去config文件看看，确认前面说的三个路径配好了没，尤其是dataset_path ，也就是你的output_path路径千万别带中文，博主之前带了中文，结果跑train函数一堆错
'batch_size': (2, 16),建议你的batch_size改成这样，不然训练的时候容易崩，我用(2,16)跑的时候，GPU占用率从0%直逼96%，如果读者的电脑强而有力的话，可以不改
如果没跑完突然卡停了，去修改这个
'restore_iter': 0,打个比方，我当时跑到38100的时候由于不明原因卡退出去了，这时候把restore_iter改成38100，就能从38100开始继续跑，和pretreatment一样，跑完的时候会自己停，中途时间挺长，别乱动
3.test函数
在你跑完train的时候再跑，这个我没什么说的，如果你不想把train跑完就跑test，这样搞
还是我，当时train到38100的时候停了，直接跑test会报错，因为你的total_iter设置成了80000，把这个改成38100就行
'total_iter': 80000,不过test后的准确率必然大打折扣，还是强烈建议你跑完train
以上都是我遇到的问题，若仍无法解决，请看
【步态识别】GaitSet 算法学习+配置环境+代码调试运行《GaitSet: Regarding Gait as a Set for Cross-View Gait Recognition》_在哪里可以找步态识别的相关代码-CSDN博客
跑通GaitSet（跑不通你来揍我）_opengait 代码下载之后 如何运行-CSDN博客
GaitSet在Windows下配置到跑通的全过程记录_pycharm运行gaitset-CSDN博客
gaitset全代码实现问题总结_indexerror: caught indexerror in replica 0 on devi-CSDN博客