DiscoGAN pytorch Download - DiscoGAN pytorch Source Code Download

DiscoGAN pytorch

بايثون

1.0.0

تنزيل

ديسكوغان في بيتورش

تنفيذ Pytorch للتعلم لاكتشاف العلاقات عبر المجال مع شبكات الخصومة التوليدية.

* جميع العينات في README.MD هي GENALDERT بواسطة الشبكة العصبية باستثناء الصورة الأولى لكل صف.
* بنية الشبكة مختلفة قليلاً (هنا) من رمز المؤلف.

متطلبات

بيثون 2.7
وسادة
TQDM
Pytorch
شعلة الرؤية

الاستخدام

أول تنزيل مجموعات البيانات (من PIX2PIX) مع:

 $ bash ./data/download_dataset.sh dataset_name

facades : 400 صورة من مجموعة بيانات CMP Facades.
cityscapes : 2975 صور من مجموعة التدريب من City Cscapes.
maps : 1096 صور التدريب المكسورة من خرائط Google
edges2shoes : 50k صور تدريب من مجموعة بيانات UT Zappos50K.
edges2handbags : 137K صور حقيبة يد Amazon من مشروع Igan.

أو يمكنك استخدام مجموعة البيانات الخاصة بك عن طريق وضع صور مثل:

 data
├── YOUR_DATASET_NAME
│   ├── A
│   |   ├── xxx.jpg (name doesn't matter)
│   |   ├── yyy.jpg
│   |   └── ...
│   └── B
│       ├── zzz.jpg
│       ├── www.jpg
│       └── ...
└── download_dataset.sh

يجب أن يكون لجميع الصور في كل مجموعة بيانات نفس الحجم مثل استخدام ImageMagick:

 # for Ubuntu
$ sudo apt-get install imagemagick
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/A/*.jpg
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/B/*.jpg

# for Mac
$ brew install imagemagick
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/A/*.jpg
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/B/*.jpg

# for scale and center crop
$ mogrify -resize 256x256^ -gravity center -crop 256x256+0+0 -quality 100 -path ../A/*.jpg

لتدريب نموذج:

 $ python main.py --dataset=edges2shoes --num_gpu=1
$ python main.py --dataset=YOUR_DATASET_NAME --num_gpu=4

لاختبار نموذج (استخدم load_path ):

 $ python main.py --dataset=edges2handbags --load_path=logs/edges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False

نتائج

1. مجموعة بيانات لعبة

نتيجة عينات من نماذج الخليط الغوسية ثنائية الأبعاد. دفتر Ipython

# التكرار: 0 :

# التكرار: 10000 :

2. SHOES2HANDBAGS مجموعة بيانات

# التكرار: 11200 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (shoe -> حقيبة يد -> حذاء)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (حقيبة اليد -> حذاء -> حقيبة يد)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

3. Dates2Shoes مجموعة البيانات

# التكرار: 9600 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (color -> sketch -> color)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (Sketch -> color -> sketch)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

4. Desges2Handbags مجموعة البيانات

# التكرار: 9500 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (color -> sketch -> color)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (Sketch -> color -> sketch)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

5. Cityscapes DataSet

# التكرار: 8350 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (صورة -> تجزئة -> صورة)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (تجزئة -> صورة -> تجزئة)

6. مجموعة بيانات الخريطة

# التكرار: 22200 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (صورة -> تجزئة -> صورة)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (تجزئة -> صورة -> تجزئة)

7. مجموعة بيانات الواجهات

يبدو التوليد وإعادة الإعمار على مجموعة بيانات التجزئة الكثيفة غريبة غير مدرجة في الورقة.
أعتقد أن الاختيار الساذج لفقدان mean square error لإعادة الإعمار يحتاج إلى بعض التغيير في مجموعة البيانات هذه.

# التكرار: 19450 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (صورة -> تجزئة -> صورة)