stylegan2 浅层实现

stylegan2-ada 图像生成
没想到我也成功了

先说一句废话：
感谢各位在网上发布项目经验和代码的大佬们

再说说运行环境：
我是在公司搞的，因为公司的电脑没有显卡，于是用vscode连得服务器linux系统，又在linux里连了一个docker镜像，然后在容器里面实现的，不过cuda是公司自己装的，容器里面已经把相关的环境需要的东西全都搞好了，就不用我操心了。
我实现的是stylegan2-ada ，是这个原来的作者在stylegan2上修改得到的，用了ada。据说用少量的数据集就可以获得比较好的效果
ABSTRACT：
“使用太少的数据训练生成对抗网络 (GAN) 通常会导致判别器过度拟合，从而导致训练发散。我们提出了一种自适应鉴别器增强机制，可显着稳定有限数据机制中的训练。该方法不需要更改损失函数或网络架构，并且适用于从头开始训练和在另一个数据集上对现有 GAN 进行微调时。我们在几个数据集上证明，现在只使用几千张训练图像就可以获得良好的结果，通常将 StyleGAN2 结果与少一个数量级的图像相匹配。我们希望这为 GAN 开辟新的应用领域。我们还发现广泛使用的 CIFAR-10 实际上是一个有限的数据基准，并将记录 FID 从 5.59 提高到 2.42。”
docker地址：https://hub.docker.com/r/heatonresearch/stylegan2-ada

这就是他的目录下面的东西
其中 train 就是训练模型的文件，generate就是生成图像的文件，dataset_tool是转化图像的文件，projecter我还没试过，据说是你给他一张图片，他能搞一系列差不多的，然后进行微调之类的。
我先从生成图像文件开始，我相信生成图像是吸引你们进来的地方：

nvidia-docker run -it -v /home/gqy/docker/ai:/home/ai heatonresearch/stylegan2-ada /bin/bash

连接到docker

cd /home/ai/stylegan2-ada/

切换到目录

python generate.py --network=/home/ai/stylegan2-ada/model/stylegan2-ffhq-config-f.pkl --seeds=1000-1200  --trunc=0.5 --outdir=/home/ai/humanface

生成人脸，用的是stylegan2-ffhq-config-f.pkl 模型，这个模型就是别人提供的
https://nvlabs-fi-cdn.nvidia.com/stylegan2-ada/pretrained/，seeds就是随机种子， trunc 可以控制生成的图片的多样性，一般在0.5-0.7 ，outdir就是生成的图像的地址。这只是一个例子，具体怎么实施要看你自己的文件的目录。

如果你不想用别人的数据集，你就自己训练出一个模型，首先准备一些三通道(RGB)图片，这个作者说几千张就可以，如果只有几百张，就先试试，看看效果，图片的长和宽都要求是 2 的幂，一样大比如 3* 512* 512，或者3* 1024* 1024，图片越大对你电脑的要求越高。我本来准备的图片不是这样的，然后用Matlab转换了一下，变成了这个大小。
接着运行dataset_tool.py 就会转换格式成TFRecords，然后进行训练。
train就是训练的文件，我说几个参数：
outdir 就是训练的结果的路径
gpus 就是你的显卡数量，我们服务器是两块
snap 就是隔多久显示一下目前的状态，默认是50，自己随便调整
data 就是数据，你刚刚生成的tfrecord的路径
kimg 可以理解为训练的时常，一般来说越长越好，主要还是看收敛的速度。你边训练边看状态，就知道收敛的怎么样了
resume 是是否要进行迁移学习，如果想在别人的模型基础上训练的话，就将别人的模型的路径赋值给他
metrics 好像是选择评判指标，我也不大确定
mirror 代码介绍说是图像增强的东西
dry run 是打印出你的参数，不运行程序，让你检查一下对不对
例子：

python train.py --kimg=1000 --outdir=/home/ai/result --mirror=1 --snap=50 --data=/home/ai/dataset/missile --gpus=2

fakes00000000是初始的样子
201 403 604等等就是越往后训练，训练出来的图片样子，不过这些都只是示例，你需要自己去运行generate函数去生成
pkl后缀的就是你的模型，数字分别对应训练到什么程度的模型
metric-fid0k_full 是训练的一个过程吧

最后一列越小越好，我这个显然还没有收敛，阔以增加 kimg再训练，或者加大学习率，不过我觉得人家既然没有把学习率搞出来让我修改，还是不要修改了，如果效果很差再修改。
我训练一次要20多个小时还是挺久的。
作者训练的样本最后这个值能达到2到3之间。
生成的图片就不展示了

stylegan2 浅层实现相关推荐

J. Cheminform. | 基于化学基因组学中深度和浅层学习预测药物特异性
今天给大家介绍由巴黎文理研究大学计算生物研究中心的Veronique Stoven教授课题组发表在J Cheminform上的一篇文章.作者提出一种具有深度学习功能的化学基因组神经网络(CN),以分子 ...
java中浅层克隆和深层克隆
1．浅复制与深复制概念浅复制(浅克隆) 被复制对象的所有变量都含有与原来的对象相同的值,而所有的对其他对象的引用仍然指向原来的对象.换言之,浅复制仅仅复制所考虑的对象,而不复制它所引用的 ...
Tensorflow MNIST浅层神经网络的解释和答复
本系列文章由 @yhl_leo 出品,转载请注明出处. 文章链接: http://blog.csdn.net/yhl_leo/article/details/51416540 看到之前的一篇博文:深入 ...
深度学习（二十二）Dropout浅层理解
Dropout浅层理解原文地址:http://blog.csdn.net/hjimce/article/details/50413257 作者:hjimce 一.相关工作本来今天是要搞<Ma ...
深度学习与神经网络关系（BP网络【浅层】与深层网络）
文章目录 Deep Learning的基本思想浅层学习(Shallow Learning)和深度学习(Deep Learning) 浅层学习是机器学习的第一次浪潮. 深度学习是机器学习的第二次浪潮. ...
第06课：浅层神经网络（NN）
上一篇我们主要介绍了一些神经网络必备的基础知识,包括 Sigmoid 激活函数.损失函数.梯度下降和计算图.这些知识对我们学习神经网络非常有用!本文我们将开始真正的神经网络学习,从一个浅层的神经网络出 ...
吴恩达《神经网络与深度学习》精炼笔记（4）-- 浅层神经网络
上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高了程序运算速度.本节课我们将从浅层神经网络入手,开始真 ...
斯坦福CS231n项目实战（四）：浅层神经网络
我的网站:红色石头的机器学习之路我的CSDN:红色石头的专栏我的知乎:红色石头我的微博:RedstoneWill的微博我的GitHub:RedstoneWill的GitHub 我的微信公众号: ...
Coursera吴恩达《神经网络与深度学习》课程笔记（4）-- 浅层神经网络
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高 ...

stylegan2 浅层实现

stylegan2 浅层实现相关推荐

最新文章

热门文章