glob.glob(f'{search_dir}/**/last*.pt', recursive=True)

这是一个用于搜索指定目录下以"last"开头，扩展名为".pt"的文件的代码段。它使用了Python的glob模块来实现文件的通配符匹配。在这个代码中，"search_dir"是要搜索的目录的路径，"**"表示递归地搜索子目录，"last*.pt"表示文件名以"last"开头并且扩展名为".pt"。通过执行这行代码，你将得到一个包含满足条件的文件路径的列表。

相关问题

for pic_path in glob.glob('./test_data/品牌一/*/*/*.jpg') + glob.glob('./test_data/品牌二/*/*/*.jpg') + glob.glob( './test_data/品牌三/*/*/*.jpg'): print(pic_path)

这段代码主要是用于遍历指定文件夹下的所有符合条件的图像文件，并输出每个文件的路径。

具体来说，glob.glob() 函数可以用于获取指定文件夹下符合条件的所有文件，其语法格式为：

glob.glob(pathname, *, recursive=False)

其中，pathname 表示指定的文件路径或者匹配模式，* 表示可选的参数，recursive 表示是否递归搜索子文件夹。在这里，我们指定了三个文件夹（品牌一、品牌二、品牌三），并使用匹配模式 `/*/*/*.jpg` 匹配所有子文件夹中后缀为 .jpg 的图像文件。

使用 glob.glob() 函数获取到所有符合条件的图像文件路径后，使用 for 循环遍历每个文件，并输出其路径，以便进行后续的处理。

这段代码的作用是获取指定文件夹下符合条件的所有图像文件路径，并输出每个文件的路径，以便进行后续的处理。

下面代码转化为paddle2.2.2代码 ：from __future__ import division import os, time, scipy.io import torch import torch.nn as nn import torch.optim as optim import numpy as np import glob import cv2 import argparse from PIL import Image from skimage.measure import compare_psnr,compare_ssim from tensorboardX import SummaryWriter from models import RViDeNet from utils import * parser = argparse.ArgumentParser(description='Pretrain denoising model') parser.add_argument('--gpu_id', dest='gpu_id', type=int, default=0, help='gpu id') parser.add_argument('--num_epochs', dest='num_epochs', type=int, default=33, help='num_epochs') parser.add_argument('--patch_size', dest='patch_size', type=int, default=128, help='patch_size') parser.add_argument('--batch_size', dest='batch_size', type=int, default=1, help='batch_size') args = parser.parse_args() os.environ["CUDA_VISIBLE_DEVICES"] = str(args.gpu_id) save_dir = './pretrain_model' if not os.path.isdir(save_dir): os.makedirs(save_dir) gt_paths1 = glob.glob('./data/SRVD_data/raw_clean/MOT17-02_raw/*.tiff') gt_paths2 = glob.glob('./data/SRVD_data/raw_clean/MOT17-09_raw/*.tiff') gt_paths3 = glob.glob('./data/SRVD_data/raw_clean/MOT17-10_raw/*.tiff') gt_paths4 = glob.glob('./data/SRVD_data/raw_clean/MOT17-11_raw/*.tiff') gt_paths = gt_paths1 + gt_paths2 + gt_paths3 + gt_paths4 ps = args.patch_size # patch size for training batch_size = args.batch_size # batch size for training

把原始代码转换为PaddlePaddle 2.2.2 的代码如下：

import os
import time
import argparse
import glob
import cv2
import numpy as np
from PIL import Image
from skimage.measure import compare_psnr, compare_ssim
from tensorboardX import SummaryWriter
from models import RViDeNet
from utils import *

import paddle
from paddle import nn
from paddle.optimizer import optim

paddle.set_device('gpu')
parser = argparse.ArgumentParser(description='Pretrain denoising model')
parser.add_argument('--gpu_id', dest='gpu_id', type=int, default=0, help='gpu id')
parser.add_argument('--num_epochs', dest='num_epochs', type=int, default=33, help='num_epochs')
parser.add_argument('--patch_size', dest='patch_size', type=int, default=128, help='patch_size')
parser.add_argument('--batch_size', dest='batch_size', type=int, default=1, help='batch_size')
args = parser.parse_args()

save_dir = './pretrain_model'
if not os.path.isdir(save_dir):
    os.makedirs(save_dir)

gt_paths1 = glob.glob('./data/SRVD_data/raw_clean/MOT17-02_raw/*.tiff')
gt_paths2 = glob.glob('./data/SRVD_data/raw_clean/MOT17-09_raw/*.tiff')
gt_paths3 = glob.glob('./data/SRVD_data/raw_clean/MOT17-10_raw/*.tiff')
gt_paths4 = glob.glob('./data/SRVD_data/raw_clean/MOT17-11_raw/*.tiff')
gt_paths = gt_paths1 + gt_paths2 + gt_paths3 + gt_paths4

ps = args.patch_size  # patch size for training
batch_size = args.batch_size # batch size for training
num_epochs = args.num_epochs

train_dataset = DatasetDenoising(gt_paths, ps=ps)
train_loader = paddle.io.DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=4)

model = RViDeNet()
model.train()

optimizer = optim.Adam(learning_rate=1e-4, parameters=model.parameters())

writer = SummaryWriter()

for epoch in range(num_epochs):
    epoch_start_time = time.time()
    epoch_loss = 0
    for i, (noisy_patches, gt_patches) in enumerate(train_loader()):
        noisy_patches = paddle.to_tensor(noisy_patches)
        gt_patches = paddle.to_tensor(gt_patches)

        output = model(noisy_patches)
        loss = nn.functional.mse_loss(output, gt_patches)

        optimizer.clear_grad()
        loss.backward()
        optimizer.step()

        epoch_loss += loss

    epoch_time = time.time() - epoch_start_time
    epoch_loss = epoch_loss / len(train_loader)
    print("Epoch [{}/{}] Loss: {:.5f} [{:.2f}s]".format(epoch + 1, num_epochs, epoch_loss, epoch_time))

    writer.add_scalar("Loss/train", epoch_loss, epoch + 1)

    if (epoch + 1) % 10 == 0:
        model_path = os.path.join(save_dir, 'RViDeNet_epoch{}.pdparams'.format(epoch + 1))
        paddle.save(model.state_dict(), model_path)
        print("Saving model to: {}".format(model_path))

writer.close()