python深度学习gan网络

这是电子工业出版社的《深度学习框架PyTorch：入门与实践》第七章的配套代码 ## 环境准备 - 本程序需要安装[PyTorch](https://pytorch.org/) - 还需要通过`pip install -r requirements.txt` 安装其它依赖 ## 数据准备 更好的图片生成效果更好 - 可以自己写爬虫爬取[Danbooru](http://link.zhihu.com/?target=http%3A//safebooru.donmai.us/)或者[konachan](http://konachan.net/) - 如果你不想从头开始爬图片，可以直接使用爬好的头像数据（275M，约5万多张图片）：https://pan.baidu.com/s/1eSifHcA 提取码：g5qa 感谢知乎用户[何之源](https://www.zhihu.com/people/he-zhi-yuan-16)爬取的数据。 请把所有的图片保存于data/face/目录下，形如 ``` data/ └── faces/ ├── 0000fdee4208b8b7e12074c920bc6166-0.jpg ├── 0001a0fca4e9d2193afea712421693be-0.jpg ├── 0001d9ed32d932d298e1ff9cc5b7a2ab-0.jpg ├── 0001d9ed32d932d298e1ff9cc5b7a2ab-1.jpg ├── 00028d3882ec183e0f55ff29827527d3-0.jpg ├── 00028d3882ec183e0f55ff29827527d3-1.jpg ├── 000333906d04217408bb0d501f298448-0.jpg ├── 0005027ac1dcc32835a37be806f226cb-0.jpg ``` 即data目录下只有一个文件夹，文件夹中有所有的图片 ## 用法 如果想要使用visdom可视化，请先运行`python3 -m visdom.server`启动visdom服务 基本用法： ``` Usage： python main.py FUNCTION --key=value,--key2=value2 .. ``` - 训练 ```bash python main.py train --gpu --vis=False ``` - 生成图片 [点此](http://pytorch-1252820389.cosbj.myqcloud.com/netg_200.pth)可下载预训练好的生成模型，如果想要下载预训练的判别模型，请[点此](http://pytorch-1252820389.cosbj.myqcloud.com/netd_200.pth) ```bash python main.py generate --nogpu --vis=False \ --netd-path=checkpoints/netd_200.pth \ --netg-path=checkpoints/netg_200.pth \ --gen-img=result.png \ --gen-num=64 ``` 完整的选项及默认值 ```python data_path = 'data/' # 数据集存放路径 num_workers = 4 # 多进程加载数据所用的进程数 image_size = 96 # 图片尺寸 batch_size = 256 max_epoch = 200 lr1 = 2e-4 # 生成器的学习率 lr2 = 2e-4 # 判别器的学习率 beta1=0.5 # Adam优化器的beta1参数 gpu=True # 是否使用GPU --nogpu或者--gpu=False不使用gpu nz=100 # 噪声维度 ngf = 64 # 生成器feature map数 ndf = 64 # 判别器feature map数 save_path = 'imgs/' #训练时生成图片保存路径 vis = True # 是否使用visdom可视化 env = 'GAN' # visdom的env plot_every = 20 # 每间隔20 batch，visdom画图一次 debug_file='/tmp/debuggan' # 存在该文件则进入debug模式 d_every=1 # 每1个batch训练一次判别器 g_every=5 # 每5个batch训练一次生成器 decay_every=10 # 没10个epoch保存一次模型 netd_path = 'checkpoints/netd_211.pth' #预训练模型 netg_path = 'checkpoints/netg_211.pth' # 只测试不训练 gen_img = 'result.png' # 从512张生成的图片中保存最好的64张 gen_num = 64 gen_search_num = 512 gen_mean = 0 # 噪声的均值 gen_std = 1 #噪声的方差 ``` 生成的部分图片：  ### 兼容性测试 train - [x] GPU - [] CPU - [] Python2 - [x] Python3 test: - [x] GPU - [x] CPU - [] Python2 - [x] Python3