#数据增强（代码详见./data/datacleaning_augmentation.py） 1.将训练集中H或W大于500的图像进行双线性插值下采样，以更接近test集的图像尺度。 2.通过计算test和train图像的SSIM，挑选出最接近的图像，进行4倍扩充后填补入训练集。 3.增大patchsize可有效提点，算法中取528 4.增大batchsize可有效提点，显存有限，训练取16
#loss MSEloss（以期更高的PSNR）
#模型 在官方给的baseline基础上进行改进，加入注意力机制，使用prelu替换lrelu,为弥补带来的计算量增加，减少一层block
#训练 sudo python3 ./codes/train.py
#测试 test时，高低分辨率图像都需要 sudo python3 ./codes/test.py
#线上成绩 best score: psnr=8.619773372258521，ssim=0.29088628652944015,time(同一模型存在波动）=0.09999999999999999~0.05217391304347826
#技巧分享 a. 首先从图像出发，观察数据集很重要； b. 使用非对称卷积会掉点(PSNR、SSIM)； c. PixelShuffle使用skip connection可涨点； d. 网络加深带来的时间损耗一般大于网络增宽； e. 增大batch size、patch size均可涨点； f. 使用可学习的PReLU代替LReLU虽然增加一定参数，但涨点明显；