Transferring GANs
1.0.0
Transferir el conocimiento de las redes previos a los nuevos dominios mediante la sintonización de fino es una práctica ampliamente utilizada para aplicaciones basadas en modelos discriminativos. Hasta donde sabemos, esta práctica no se ha estudiado dentro del contexto de redes generativas profundas. Por lo tanto, estudiamos la adaptación del dominio aplicada a la generación de imágenes con redes adversas generativas. Evaluamos varios aspectos de la adaptación del dominio, incluido el impacto del tamaño del dominio objetivo, la distancia relativa entre el dominio de origen y objetivo, y la inicialización de los GAN condicionales. Nuestros resultados muestran que el uso del conocimiento de las redes previos a la aparición puede acortar el tiempo de convergencia y puede mejorar significativamente la calidad de las imágenes generadas, especialmente cuando los datos objetivo son limitados. Mostramos que estas conclusiones también se pueden extraer para Gans condicionales incluso cuando el modelo previamente prenado fue entrenado sin acondicionamiento. Nuestros resultados también sugieren que la densidad puede ser más importante que la diversidad y un conjunto de datos con una o pocas clases densamente muestreadas puede ser un mejor modelo de origen que los conjuntos de datos más diversos, como Imagenet o lugares.
Usando 'Git Clone https://github.com/yaxingwang/transfering-gans'
Obtendrá una nueva carpeta cuyo nombre es 'Gans de transferencia' en su ruta actual, luego use 'CD Transfering-Gans' para ingresar a la nueva carpeta descargada
Descargue el controlador de modelos de pretringo de Google; Tencent Qcloud
Descompensar la carpeta descargada a la carpeta actual, luego tiene una nueva carpeta 'transfer_model' que contiene dos carpetas: 'condicional', 'incondicional', cada una de las cuales tiene cuatro carpetas: 'imagenet', 'lugares', 'celeba', 'dormitorio'
Descargue el conjunto de datos o use su conjunto de datos.
He mostrado un ejemplo y podría hacerlo con la misma forma.
Ejecute 'Python Transfer_gan.py'
Código de ejecución con configuración predeterminada. El modelo previamente se puede seleccionar cambiando el parámetro 'Target_domain'
GaN condicional Si está interesado en usar el modelo condicional, simplemente configurando el parámetro 'acgan = true'
El uso de modelos previos a la pretrada no solo obtiene alto rendimiento, sino que unen rápidamente la convergencia. En la siguiente figura, mostramos configuraciones condicionales e incondicionales.
Si se encuentra con algún problema con este código, envíe un informe de error en el sitio GitHub del proyecto. Para otro Incuries Pleace Contacto conmigo: [email protected]
