Transferring GANs
1.0.0
Le transfert de la connaissance des réseaux pré-entraînés vers de nouveaux domaines au moyen de la fin du finetun est une pratique largement utilisée pour les applications basée sur des modèles discriminants. À notre connaissance, cette pratique n'a pas été étudiée dans le contexte de réseaux profonds génératifs. Par conséquent, nous étudions l'adaptation du domaine appliqué à la génération d'images avec des réseaux adversaires génératifs. Nous évaluons plusieurs aspects de l'adaptation du domaine, y compris l'impact de la taille du domaine cible, la distance relative entre la source et le domaine cible, et l'initialisation des Gans conditionnels. Nos résultats montrent que l'utilisation des connaissances des réseaux pré-étendus peut raccourcir le temps de convergence et peut améliorer considérablement la qualité des images générées, en particulier lorsque les données cibles sont limitées. Nous montrons que ces conclusions peuvent également être tirées pour les Gans conditionnels même lorsque le modèle pré-entraîné a été formé sans conditionnement. Nos résultats suggèrent également que la densité peut être plus importante que la diversité et un ensemble de données avec une ou quelques classes densément échantillonnées peut être un meilleur modèle source que des ensembles de données plus divers tels que ImageNet ou Places.
Utilisation de 'git clone https://github.com/yaxingwang/transferring-gans'
Vous obtiendrez un nouveau dossier dont le nom est `` transférer-gans '' dans votre chemin actuel, puis utilisez «CD Transferring-gans» pour entrer le nouveau dossier téléchargé
Télécharger Pretrain ModelGoogle Driver; Tencent Qcloud
Dossier téléchargé non compressé dans le dossier actuel, vous avez alors un nouveau dossier 'Transfer_Model' qui contient deux dossiers: 'conditionnel', 'inconditionnel', chacun possède quatre dossiers: 'ImageNet', 'lieux', 'Celeba', 'Bedroom'
Téléchargez un ensemble de données ou utilisez votre ensemble de données.
J'ai montré un exemple et vous pourriez le faire avec la même forme.
Exécuter 'python transfer_gan.py'
Exécution du code avec paramètre par défaut. Le modèle pré-entraîné peut être sélectionné en modifiant le paramètre 'Target_domain'
GAN conditionnel Si vous êtes intéressé à utiliser le modèle conditionnel, définit simplement le paramètre 'acgan = true'
L'utilisation de modèles pré-entraînés obtient non seulement des performances élevées, mais attachez rapidement la convergence. Dans la figure suivante, nous montrons des paramètres conditionnels et inconditionnels.
Si vous rencontrez des problèmes avec ce code, veuillez soumettre un rapport de bogue sur le site GitHub du projet. Pour un autre contact avec moi, Pleage avec moi: [email protected]
