第0个坑：
自己的类别少一个，但是训练的前33个epoch没有出现问题，到33个之后就中断了。cuda device assert error之类的错误，这种问题看得多了，就知道肯定是类别和输出或者损失函数的weight数量不一致。但是为什么前33个epoch没有问题呢，是因为数据有随机crop，触发到这个错误的可能性很低。另外也体现了我的类别不均衡。
第一个坑：
我拿到手的代码，yuv数据，转成了float32，然后用这个样的数据去转成rgb做数据增强。但是转成float32数据的范围还是uint8的范围，这样转成的rgb数据就是不对的。
第二个坑：
后来我就将float32给去掉了，这样转rgb的时候是完全没有问题的。但是使用pytroch的transform的to tensor的时候。他是uint的类型，所以转成tensor的时候自动除了255，然后再减去均值，得到的数据分布范围就基本上都在-128~-108之间了。这样收敛也很慢。
第三个坑：
这个和第二个基本一样。gt_mask我给的255忽略值，也进行了同样的操作。结果得到了1。1是一个已定义的类别，这样忽略的地方都给我变成了1，肯定收敛不了。这个除1是知道的，但是还是遇到这个问题了。
if isinstance(img, torch.ByteTensor):
return img.float().div(255)
else:
return img排查经验： 在送入网络之前进行可视化。往后排查，看看哪里有问题。最终通过是否收敛再排查一次。