Transferring GANs
1.0.0
Die Übertragung des Wissens über vorbereitete Netzwerke in neue Domänen mittels Finetuning ist eine weit verbreitete Praxis für Anwendungen, die auf diskriminativen Modellen basieren. Nach unserem Kenntnisstand wurde diese Praxis nicht im Kontext generativer tiefer Netzwerke untersucht. Daher untersuchen wir die Domänenanpassung, die auf die Bildgenerierung mit generativen kontroversen Netzwerken angewendet wird. Wir bewerten verschiedene Aspekte der Domänenanpassung, einschließlich der Auswirkung der Zieldomänengröße, des relativen Abstands zwischen Quellen- und Zieldomäne und der Initialisierung bedingter Gans. Unsere Ergebnisse zeigen, dass die Verwendung von Wissen aus vorbereiteten Netzwerken die Konvergenzzeit verkürzen und die Qualität der generierten Bilder erheblich verbessern kann, insbesondere wenn die Zieldaten begrenzt sind. Wir zeigen, dass diese Schlussfolgerungen auch für bedingte Gans gezogen werden können, selbst wenn das vorbereitete Modell ohne Konditionierung trainiert wurde. Unsere Ergebnisse deuten auch darauf hin, dass die Dichte wichtiger ist als Diversität und ein Datensatz mit einem oder wenigen dicht abgetasteten Klassen ein besseres Quellmodell als vielfältigere Datensätze wie ImageNet oder Orte.
Verwenden Sie 'Git Clone https://github.com/yaxingwang/transferring-gans' '
Sie erhalten einen neuen Ordner, dessen Name in Ihrem aktuellen Pfad "Übertragung" in Ihrem aktuellen Pfad lautet, und verwenden dann "CD-Übertragungs-Gans", um den heruntergeladenen neuen Ordner einzugeben
Download Pretrain Modelsgoogle -Treiber; Tencent Qcloud
Der unkomprimierende heruntergeladene Ordner zum aktuellen Ordner und dann haben Sie einen neuen Ordner 'Transfer_model', der zwei Ordner enthält: 'bedingt', 'bedingungsvoll', von denen jedes vier Ordner hat: 'Imagnet', 'Plätze', 'Celeba', 'Schlafzimmer'
Laden Sie den Datensatz herunter oder verwenden Sie Ihren Datensatz.
Ich habe ein Beispiel gezeigt und Sie könnten es mit gleicher Form schaffen.
Führen Sie 'Python Transfer_gan.py' aus '
Ausführen von Code mit Standardeinstellung. Das vorgezogene Modell kann durch Ändern des Parameters 'target_domain' seletiert werden.
Bedingter Gan Wenn Sie daran interessiert sind, das bedingte Modell zu verwenden, setzen Sie nur den Parameter 'acgan = true' ein
Die Verwendung von vorbereiteten Modellen erhalten nicht nur eine hohe Leistung, sondern befestigen Sie die Konvergenz schnell. In der folgenden Abbildung zeigen wir bedingte und bedingungslose Einstellungen.
Wenn Sie Probleme mit diesem Code haben, senden Sie bitte einen Fehlerbericht auf der Github -Site des Projekts. Für einen weiteren Inquries -Bitte Kontakt mit mir: [email protected]
