DeepLens E2 执行笔记课程学习镜头设计全流程实录论文Curriculum Learning for ab initio deep learned refractive optics (Nature Communications, 2024)代码库github.com/vccimaging/DeepLensAutoLens 评价/设计框架实验路线理解优先复现路线 E1–E4 之 E2执行环境AutoDL 西北B区 · RTX 4090 · PyTorch 2.1.2cu121执行日期2026-10-07 22:42 – 2026-10-08 00:23约 101 分钟目录摘要一、E2 的定位与实验设计二、执行环境与成本三、Stage 1课程学习 40 分钟实录3.1 课程热启动效应iter 0 → 403.2 课程调度核心观测指标3.3 边缘视场的故意欠拟合四、Stage 2精修 60 分钟实录4.1 关键现象进入精修后 RMS 反而变大4.2 精修结果与论文成品对标五、结果解读边缘未收敛说明了什么六、素材产出与公众号用法七、经验沉淀附录 A命令清单附录 B下一步E3 预告摘要E2 在 RTX 4090 上以百分钟、3 元成本跑通 AutoLens 两阶段设计课程学习 2000 迭代将中心 RMS 光斑从 962μm 压至 8.5μm精修 3000 迭代后达 5.6μm对齐论文成品边缘视场 60/91μm 未收敛印证课程长度对边缘像质的关键作用。一、E2 的定位与实验设计E1 已完成评价论文成品cellphone.json 的 RMS 光斑分析回答了**“论文做出来了什么”。E2 则回答论文是怎么做出来的**——直接运行1_autolens.py从平板玻璃初始结构出发完整经历论文的核心贡献两阶段可微光线追迹优化。两阶段流程与论文方法的对应关系阶段论文机制实现细节Stage 1: Curriculum learning (2000 iter)正弦课程调度逐步放开 FoV 边缘视场权重三项正则光线角度、面间距、面梯度lr[1e-4, 1e-3, 1e-2, 1e-4]spp512num_ring8num_arm1Stage 2: Fine-tuning centroidTrue (3000 iter)全视场全权重精修光线质心对齐lr 整体降 20 倍num_arm2rays_per_fov1024设计目标foclen5.0mmFoV90°F/1.8。最终输出规格FoV0.8015 rad半视场约 45.9°全视场约 91.8°、F/1.74、r_sensor5.0mm——三项设计约束均达成。二、执行环境与成本项目明细实例AutoDL 西北B区deeplensE1 同一实例环境与补丁原样保留GPURTX 4090有卡模式 ¥1.88/h软件PyTorch 2.1.2cu121 numpy 1.26.4base 环境零安装用时Stage 1: 40min46sStage 2: 59min55s合计约 101 min成本约 ¥3.2含少量调试时间产出目录~/AutoLens/results/1007-224249-AutoLens-OhbV/迁移插曲实验前西北B区显卡一度售罄已规划跨区迁移至内蒙B区并完成新实例环境部署DeepLens-main.zip torch 2.1.2cu118 numpy 降级。临执行时西北B区 4090 恢复可用遂放弃迁移直接续跑——旧实例上 E1 的三处补丁r_sensor、NBS 分辨率卡、渲染 OOM 规避全部继承省去重复踩坑。教训迁移决策前先刷新一遍库存页面。三、Stage 1课程学习 40 分钟实录3.1 课程热启动效应iter 0 → 40节点FoV 0.0FoV 0.5FoV 1.0解读iter 0962.4 μm964.3 μm964.0 μm平板玻璃无聚焦能力iter 4055.5 μm26.9 μm60.5 μm17 倍骤降课程热启动生效iter 1905 (95%)8.3 μm82.3 μm84.5 μm中心收敛边缘仍粗iter 2001 (结束)8.5 μm81.9 μm86.1 μm课程全程走完iter 0→40 的骤降是论文 Fig.2课程调度避免优化陷入坏极小值的直接证据三项正则尚未收紧时系统先以最小阻力把光斑收敛到可用量级。3.2 课程调度核心观测指标loss_distortion的完整轨迹iter 0: 1.88 → iter 40: 1.88 → iter 320: 1.39 → iter 1905: 0.0127 → 课程结束: 0.0178约148 倍降幅单调缓降无突跳——正弦课程t_i t_a (t_b - t_a)·sin(iπ/2N)将边缘视场约束平滑注入而非阶跃式加载。这是课程区别于普通多目标加权调度的本质特征也是本实验最值得画进 GIF 的一条曲线。其余损失项行为loss_clearance面间距约束从 1.26 快速压至 0.01 量级loss_ray_bend稳定在 0.05–0.08loss_rms全程 0.04–0.06 微幅波动归一化后梯度通道保持活跃。3.3 边缘视场的故意欠拟合课程结束时边缘视场仍在 82/86 μm这不是失败而是课程设计正弦调度把大 FoV 权重留到最后才完全放开课程结束时刻恰是边缘视场刚刚解锁的状态细磨任务交给 Stage 2。四、Stage 2精修 60 分钟实录4.1 关键现象进入精修后 RMS 反而变大节点FoV 0.0FoV 0.5FoV 1.0课程结束稀疏采样8.5 μm81.9 μm86.1 μm精修 iter 0加密采样21.0 μm101.5 μm66.7 μm精修结束 / final5.6 μm60.4 μm91.2 μm镜头没变差是尺子变细了Stage 2 将采样从 num_arm1 加密到 num_arm2、rays_per_fov1024原先被稀疏网格漏采的高阶像差全部暴露。这正是评价精度必须与优化精度同步升级的方法论体现——若精修仍用粗网格等于在错误的坐标系里做精细调整。4.2 精修结果与论文成品对标指标E2 自研成品final_lens.jsonE1 论文成品cellphone.json差距FoV 0.0 RMS5.6 μm6.4 μm反超 ✓FoV 0.5 RMS60.4 μm5.6 μm约 11 倍FoV 1.0 RMS91.2 μm4.1 μm约 22 倍畸变损失1.12e-5—已近零中心视场达到论文水平甚至略优但边缘视场差一个数量级以上。五、结果解读边缘未收敛说明了什么这是本次实验最有价值的发现与论文动机形成闭环课程长度决定边缘像质。本次仅用论文设定 1/10 量级的迭代预算20003000 vs 完整训练中心视场可以抄近道收敛边缘视场的像差空间需要课程充分展开后长时间精修才能压平——课程不是加速器而是边缘视场可行性的门票。这是论文的卖点而非 bug。若不用课程学习、直接全权重优化文献与论文消融均显示边缘视场会卡死在不可用区域本实验压缩课程得到的 60/91 μm恰是介于完全不用课程与完整课程之间的中间态证据。对复现者的启示验证课程学习价值的最小实验不在于跑出论文级数字而在于复现课程阶段 loss_distortion 平滑下降 边缘视场可被继续优化的动力学特征——本实验两者均观察到。六、素材产出与公众号用法产出目录~/AutoLens/results/1007-224249-AutoLens-OhbV/每 40 迭代存一份镜头 JSON 光斑图天然构成演化帧序列演化 GIFffmpeg -framerate 3将课程精修两段帧序列拼接直观呈现平板玻璃 → 透镜成形 → 边缘解锁过程适合作为公众号首图或文末彩蛋对比图curriculum_final.json与final_lens.json的剖面对比量化 Stage 2 贡献曲线素材loss_distortion 全程轨迹1.88 → 1.1e-5与三视场 RMS 轨迹可从日志直接重绘。七、经验沉淀长任务先起 tmux本次进程未包 tmux靠 SSH 稳定撑完 101 分钟属侥幸。标准动作tmux new -s 任务名后再启动训练断线可tmux attach -t 任务名续看。无warn不慌libgomp: Invalid value for OMP_NUM_THREADS与Nimbus Sans字体缺失警告全程刷屏但零影响判断标准是结果数值是否正常产出。迁移决策先刷新库存跨区迁移成本重装环境重踩三坑远高于等卡 2 小时GPU 云的库存是分钟级波动的。环境快照意识本次能零安装续跑完全依赖 E1 实例的环境原样保留。跨区新装一遍 DeepLens 环境实际花掉约 1.5 小时含 numpy 2.x 兼容坑可作为迁移成本的经验系数。附录 A命令清单# 环境验证有卡模式开机后python-cimport torch, numpy; print(numpy.__version__); \ print(torch.__version__, torch.cuda.is_available())# E2 全流程建议 tmux 内执行cd~/AutoLenstmux new-se2 python 1_autolens.py# 结果打包cd~/AutoLens/resultstarczf E2_results.tar.gz1007-224249-AutoLens-OhbV/# 演化 GIF文件名 pattern 以实际产出为准ffmpeg-framerate3-pattern_typeglob\-ispot_diagram_iter*.png-vfscale640:-1-pix_fmtyuv420p\../E2_evolution.gif附录 B下一步E3 预告E2 验证了两阶段流程的可复现性E3 计划做微型消融——关闭课程调度直接全权重优化跑对照观察边缘视场是否如论文所述陷入劣质解用最小成本把课程必要性从文献结论变成一手证据。