TF之pix2pix：基于TF利用Facades数据集训练pix2pix模型、测试并进行生成过程全记录

目录

TB监控

1、SCALARS

2、IMAGES

3、GRAPHS

4、DISTRIBUTIONS

输出结果

训练代码运行过程全记录

测试代码全记录

TB监控

1、SCALARS

2、IMAGES

inputs_summary

 outputs_summary
predict_fake_summary predict_real_summary
targets_summary    

3、GRAPHS

4、DISTRIBUTIONS

输出结果

训练代码运行过程全记录

2 epoch：2126~2218

开始训练
aspect_ratio = 1.0
batch_size = 1
beta1 = 0.5
checkpoint = None
display_freq = 0
flip = True
gan_weight = 1.0
input_dir = facades/train
l1_weight = 100.0
lab_colorization = False
lr = 0.0002
max_epochs = 200
max_steps = None
mode = train
ndf = 64
ngf = 64
output_dir = facades_train
output_filetype = png
progress_freq = 50
save_freq = 5000
scale_size = 286
seed = 407313043
summary_freq = 100
trace_freq = 0
which_direction = BtoA2018-10-07 21:26:49.558601:
parameter_count = 57183616
progress  epoch 1  step 50  image/sec 0.4  remaining 35m
discrim_loss 0.59409106
gen_loss_GAN 0.3667453
gen_loss_L1 0.14627346
recording summary
progress  epoch 1  step 100  image/sec 0.3  remaining 33m
discrim_loss 0.77973217
gen_loss_GAN 0.74193096
gen_loss_L1 0.21620709
progress  epoch 1  step 150  image/sec 0.4  remaining 30m
discrim_loss 0.7097481
gen_loss_GAN 1.2259353
gen_loss_L1 0.27181715
recording summary
progress  epoch 1  step 200  image/sec 0.4  remaining 28m
discrim_loss 0.6670909
gen_loss_GAN 1.5955695
gen_loss_L1 0.30515844
progress  epoch 1  step 250  image/sec 0.4  remaining 25m
discrim_loss 0.5505945
gen_loss_GAN 1.897398
gen_loss_L1 0.3195855
recording summary
progress  epoch 1  step 300  image/sec 0.4  remaining 23m
discrim_loss 0.54358536
gen_loss_GAN 2.1270702
gen_loss_L1 0.33635142
progress  epoch 1  step 350  image/sec 0.4  remaining 21m
discrim_loss 0.53915083
gen_loss_GAN 2.234504
gen_loss_L1 0.33556485
recording summary
progress  epoch 1  step 400  image/sec 0.4  remaining 18m
discrim_loss 0.5494336
gen_loss_GAN 2.349324
gen_loss_L1 0.33941123
progress  epoch 2  step 50  image/sec 0.4  remaining 16m
discrim_loss 0.5763757
gen_loss_GAN 2.3618762
gen_loss_L1 0.3413253
recording summary
progress  epoch 2  step 100  image/sec 0.4  remaining 14m
discrim_loss 0.63876843
gen_loss_GAN 2.2650375
gen_loss_L1 0.3409966
progress  epoch 2  step 150  image/sec 0.4  remaining 11m
discrim_loss 0.6011929
gen_loss_GAN 2.264903
gen_loss_L1 0.34726414
recording summary
progress  epoch 2  step 200  image/sec 0.4  remaining 9m
discrim_loss 0.59052
gen_loss_GAN 2.302569
gen_loss_L1 0.3522855
progress  epoch 2  step 250  image/sec 0.3  remaining 7m
discrim_loss 0.57109314
gen_loss_GAN 2.324084
gen_loss_L1 0.35149702
recording summary
progress  epoch 2  step 300  image/sec 0.3  remaining 4m
discrim_loss 0.4946928
gen_loss_GAN 2.5188313
gen_loss_L1 0.3564302
progress  epoch 2  step 350  image/sec 0.3  remaining 2m
discrim_loss 0.5365153
gen_loss_GAN 2.5414586
gen_loss_L1 0.35425124
recording summary
progress  epoch 2  step 400  image/sec 0.3  remaining 0m
discrim_loss 0.56210524
gen_loss_GAN 2.5018184
gen_loss_L1 0.35051015
saving model

测试代码全记录

开始测试
loaded lab_colorization = False
loaded ndf = 64
loaded ngf = 64
loaded which_direction = BtoA
aspect_ratio = 1.0
batch_size = 1
beta1 = 0.5
checkpoint = facades_train
display_freq = 0
flip = False
gan_weight = 1.0
input_dir = facades/val
l1_weight = 100.0
lab_colorization = False
lr = 0.0002
max_epochs = None
max_steps = None
mode = test
ndf = 64
ngf = 64
output_dir = facades_test
output_filetype = png
progress_freq = 50
save_freq = 5000
scale_size = 256
seed = 651085994
summary_freq = 100
trace_freq = 0
which_direction = BtoAexamples count = 100
parameter_count = 57183616
loading model from checkpoint
evaluated image 1
evaluated image 2
evaluated image 3
evaluated image 4
evaluated image 5
evaluated image 6
evaluated image 7
evaluated image 8
evaluated image 9
evaluated image 10
evaluated image 11
evaluated image 12
evaluated image 13
evaluated image 14
evaluated image 15
evaluated image 16
evaluated image 17
evaluated image 18
evaluated image 19
evaluated image 20
evaluated image 21
evaluated image 22
evaluated image 23
evaluated image 24
evaluated image 25
evaluated image 26
evaluated image 27
evaluated image 28
evaluated image 29
evaluated image 30
evaluated image 31
evaluated image 32
evaluated image 33
evaluated image 34
evaluated image 35
evaluated image 36
evaluated image 37
evaluated image 38
evaluated image 39
evaluated image 40
evaluated image 41
evaluated image 42
evaluated image 43
evaluated image 44
evaluated image 45
evaluated image 46
evaluated image 47
evaluated image 48
evaluated image 49
evaluated image 50
evaluated image 51
evaluated image 52
evaluated image 53
evaluated image 54
evaluated image 55
evaluated image 56
evaluated image 57
evaluated image 58
evaluated image 59
evaluated image 60
evaluated image 61
evaluated image 62
evaluated image 63
evaluated image 64
evaluated image 65
evaluated image 66
evaluated image 67
evaluated image 68
evaluated image 69
evaluated image 70
evaluated image 71
evaluated image 72
evaluated image 73
evaluated image 74
evaluated image 75
evaluated image 76
evaluated image 77
evaluated image 78
evaluated image 79
evaluated image 80
evaluated image 81
evaluated image 82
evaluated image 83
evaluated image 84
evaluated image 85
evaluated image 86
evaluated image 87
evaluated image 88
evaluated image 89
evaluated image 90
evaluated image 91
evaluated image 92
evaluated image 93
evaluated image 94
evaluated image 95
evaluated image 96
evaluated image 97
evaluated image 98
evaluated image 99
evaluated image 100
wrote index at facades_test\index.html

TF之pix2pix：基于TF利用Facades数据集训练pix2pix模型、测试并进行生成过程全记录相关推荐

  1. TF之pix2pix之dataset：基于TF利用自己的数据集训练pix2pix模型之DIY自己的数据集

    TF之pix2pix之dataset:基于TF利用自己的数据集训练pix2pix模型之DIY自己的数据集 目录 转换图像并合并 1.A 类图像将挖去中心像素后得到B 类图像 2.生成并列图像样本的全过 ...

  2. TF之DCGAN：基于TF利用DCGAN测试自己的数据集并进行生成过程全记录

    TF之DCGAN:基于TF利用DCGAN测试自己的数据集并进行生成过程全记录 目录 训练的数据集部分图片 输出结果 1.默认参数输出结果 训练过程全记录 训练的数据集部分图片 以从网上收集了许多日式动 ...

  3. 基于Keras搭建cifar10数据集训练预测Pipeline

    基于Keras搭建cifar10数据集训练预测Pipeline 钢笔先生关注 0.5412019.01.17 22:52:05字数 227阅读 500 Pipeline 本次训练模型的数据直接使用Ke ...

  4. NLP之TM之LDA：利用LDA算法瞬时掌握文档的主题内容—利用希拉里邮件数据集训练LDA模型并对新文本进行主题分类

    NLP之TM之LDA:利用LDA算法瞬时掌握文档的主题内容-利用希拉里邮件数据集训练LDA模型并对新文本进行主题分类 目录 输出结果 设计思路 核心代码 训练数据集 LDA模型应用 输出结果 设计思路 ...

  5. EL之Bagging：kaggle比赛之利用泰坦尼克号数据集建立Bagging模型对每个人进行获救是否预测

    EL之Bagging:kaggle比赛之利用泰坦尼克号数据集建立Bagging模型对每个人进行获救是否预测 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 bagging_clf = ...

  6. Keras之DNN：利用DNN算法【Input(8)→12+8(relu)→O(sigmoid)】利用糖尿病数据集训练、评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果)

    Keras之DNN:利用DNN算法[Input(8)→12+8(relu)→O(sigmoid)]利用糖尿病数据集训练.评估模型(利用糖尿病数据集中的八个参数特征预测一个0或1结果) 目录 输出结果 ...

  7. ML之RF：kaggle比赛之利用泰坦尼克号数据集建立RF模型对每个人进行获救是否预测

    ML之RF:kaggle比赛之利用泰坦尼克号数据集建立RF模型对每个人进行获救是否预测 目录 输出结果 实现代码 输出结果 后期更新-- 实现代码 #预测模型选择的RF import numpy as ...

  8. Keras之CNN：基于Keras利用cv2建立训练存储卷积神经网络模型(2+1)并调用摄像头进行实时人脸识别

    Keras之CNN:基于Keras利用cv2建立训练存储卷积神经网络模型(2+1)并调用摄像头进行实时人脸识别 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 # -*- codin ...

  9. 利用celebA数据集训练MTCNN网络

    利用celebA数据集训练MTCNN网络 celebA数据集简介 训练数据的处理 网络和训练 侦测部分 结果展示 有问题可以联系我的邮箱:2487429219@qq.com 关于MTCNN网络可以看我 ...

最新文章

  1. Python笔记总结week3
  2. uvalive5090(三维凸包)
  3. 使用正则表达式解析http请求url中的参数和参数值
  4. 安装mysql8._安装MySQL8（附详细图文）
  5. JPA、Hibernate、Springdata JPA
  6. C++头文件重复定义问题的处理（不会看看，会了防身！）
  7. 密度聚类算法python详解_密度聚类python
  8. Java数据结构与算法——哈希表
  9. android ios 逆向工程,iOS逆向工程之砸壳
  10. 安卓pdf阅读器_详细解读：除了Kindle，还有哪些电子阅读器可以满足书迷的需求？...
  11. python对Excel合并单元格拆分
  12. 51单片机 独立按键k1控制数码管移位 k2控制数值加
  13. ffmpeg 为取经而来_取经路上的妖魔鬼怪，傻傻分不清楚
  14. Mac mini 2018 win10 外接显卡终极教程
  15. 晏殊几何学导读花间流风方程定义与引理
  16. 本地数据库IndexedDB - 初学者
  17. 个人总结-oracle查询锁表、解锁语句
  18. java 火车票_Java 面向对象 之 接口 火车票实例
  19. unity（VR方向）实习生面试
  20. Mac下手动备份Mysql数据库

热门文章

  1. 结构体中的malloc 与 free
  2. 122. Best Time to Buy and Sell Stock II
  3. 干货：计算机网络知识总结
  4. Java中ClassLoader浅析.
  5. 教你破解XP系统Administrator权限
  6. Windows XP中的用户分为3类。
  7. Ghost 系统的过程
  8. 教你用 Netty 实现一个简单的 RPC！
  9. Mybatis 的工作原理，写得太好了！
  10. 讲一点分布式的基础知识，图解！