cycle_gan使用教程
junyanz/pytorch-CycleGAN-and-pix2pix: Image-to-Image Translation in PyTorch (github.com)
如果是用cycle_gan
数据集
/数据集文件夹名，下面四个子文件名
testA
testB
trainA
trainB
trainA是A风格图片，trainB是B风格图片。
训练参数
| test | ||
| dataroot | --filepath | 测试数据的文件夹，放在名称为testA或者testB的文件夹中(子文件夹为trainA,trainB，testA，testB) |
| name | flower | 项目名称，就是给自己的项目取个名字，用于代码来辨认，和train的名称保持一致。 |
| num_test | 500 | 测试多少张图像。 |
| checkpoints_dir | ./checkpoints/ | 保存模型参数的路径。默认 ./checkpoints |
| results_dir | ./results/ | 保存结果的文件夹，默认是./results/ |
| train | ||
| dataroot | filepath | 训练数据的文件夹。子文件夹为trainA,trainB，testA，testB |
| name | flower | 项目名称，就是给自己的项目取个名字，用于代码来辨认。默认flower |
| n_epochs | 100 | 固定学习率的epoch个数。默认100。 |
| n_epochs_decay | 100 | 学习速率线性衰减到零的epoch个数，这个和上面的加起来是总的训练轮数。默认100。 |
| lr_policy | linear | 学习率的衰减模式。用于调整学习率的变化。[linear | step | plateau | cosine]线性衰减， 固定步长衰减，plateau，余弦衰减四选一，默认第一个 |
| continue_train | FALSE | True/False 表示继续训练，当训练中断之后想要继续训练，把这个值调为True。 |
| epoch_count | 1 | 从第几个epoch开始训练，如果继续训练是True，如果训练到第40个epoch终端了，就把这个值设为40.默认1。 |
| checkpoints_dir | ./checkpoints/ | 保存模型参数的路径。默认 ./checkpoints |
| model | cycle_gan | 如果是cycle_gan方法，就选cyclegan，此外还有pix2pix，colorization也可以训练。[cycle_gan | pix2pix | test | colorization] 选一个，默认第一个 |
| netG | unet_256 | 生成器的方式。有[resnet_9blocks | resnet_6blocks | unet_256 | unet_128] 种，不同生成器效果不同。四选一，默认unet_256 |
| batch_size | 5 | 每个batch训练的个数，如果电脑配置不够，就减少这个值可以减少内存 |
| num_threads | 2 | 用于加载数据的线程，减少这个值可以减少内存 |
| preprocess | resize_and_crop | [resize_and_crop | crop | scale_width | scale_width_and_crop | none] |
| direction | AtoB | [AtoB | BtoA], AtoB，从A生成B，BtoA，从B生成A |
训练指令
训练
python train.py --dataroot E:\docs\flower --name flower --model cycle_gan --batch_size 5 --netG unet_256 --num_threads 2 --n_epochs 200 --display_id 0
--epoch_count 52 --continue_train 可选
测试
python test.py --dataroot E:\docs\flower\testA --name flower --model test --no_dropout --num_test 504 --netG unet_256
训练后
训练完之后，将训练中保存的checkpoints的其中一个后缀为XX_net_G_A.pth改为latest_net_G.pth供test文件使用。G_A就是A 到B的转换，G_B就是B到A的转换。
如果要用pix2pix
训练集先分为（A,B) A->(train,val) B->(train,val)
A文件下分 train，val两个文件夹
B文件下分 train，val两个文件夹
要用pix2pix 先combine A and B
python ./datasets/conbine_A_and_B.py --后面加上相应的参数
train时把--model cycle_gan 改为--model pix2pix就可以了
tips
训练的时候可以用
--preprocess crop 和 --crop_size 256把图像转换为256X256
测试的时候用
--preprocess none 这样就不会做改变
假设处理360x256图像。在训练过程中，可以指定--preprocess crop和--crop_size 256。这将允许的模型在训练期间在随机裁剪的256x256图像上进行训练。在测试期间，可以用--preprocess none。将模型应用于360x256图像，
对于每种生成器体系结构，图像大小都有实际限制。对于unet256，它只支持宽度和高度能被256整除的图像。对于unet128，宽度和高度必须能被128整除。对于resnet_6blocks和resnet_9blocks，宽度和高度需要能被4整除。
train结果
每5个epoch保存一次模型，保存了训练过程中全程的模型。 G_A: 表示从A生成B的模型 G_B: 表示从B生成A的模型
latest_net: 表示最近一次的模型节点。 loss_log.txt: 记录了损失的大小。可以根据这个来看训练的怎么样。 test_opt.txt train_opt.txt 记录了训练和测试时的参数。
点击web->index.html 可以看到训练过程中的图像。
test结果
点击results->工程名->test_latest->index.html. 可以看到test的对比图。 点击results->工程名->test_latest->images 后缀为fake的就是我们要的生成的图片。