Transferring GANs
1.0.0
Transferir o conhecimento de redes pré -tenhadas para novos domínios por meio de finetuning é uma prática amplamente usada para aplicações baseadas em modelos discriminativos. Até onde sabemos, essa prática não foi estudada no contexto de redes generativas profundas. Portanto, estudamos a adaptação do domínio aplicada à geração de imagens com redes adversárias generativas. Avaliamos vários aspectos da adaptação do domínio, incluindo o impacto do tamanho do domínio alvo, a distância relativa entre o domínio da fonte e do alvo e a inicialização de Gans condicionais. Nossos resultados mostram que o uso do conhecimento de redes pré -tenhadas pode reduzir o tempo de convergência e pode melhorar significativamente a qualidade das imagens geradas, especialmente quando os dados de destino são limitados. Mostramos que essas conclusões também podem ser tiradas para Gans condicionais, mesmo quando o modelo pré -treinado foi treinado sem condicionar. Nossos resultados também sugerem que a densidade pode ser mais importante que a diversidade e um conjunto de dados com uma ou poucas classes densamente amostradas pode ser um modelo de origem melhor do que conjuntos de dados mais diversos, como imagenet ou lugares.
Usando 'clone git https://github.com/yaxingwang/transferring-gans'
Você receberá uma nova pasta cujo nome é 'transferência-gans' no seu caminho atual e depois use 'CD transferindo-gans' para entrar na nova pasta baixada
Baixar o driver de pré -train modelosGOOGL; TENCENT QCLOUD
Pasta baixada sem compactação para a pasta atual, então você tem uma nova pasta 'transfer_model', que contém duas pastas: 'condicional', 'incondicional', cada uma com quatro pastas: 'imagenet', 'lugares', 'celebrba', 'quarto'
Faça o download do conjunto de dados ou use seu conjunto de dados.
Eu mostrei um exemplo e você pode fazê -lo com a mesma forma.
Run 'Python transfer_gan.py'
Recupela o código com a configuração padrão. O modelo pré -treinado pode ser seleto alterando o parâmetro 'Target_Domain'
GaN condicional se você estiver interessado em usar o modelo condicional, apenas definindo o parâmetro 'acgan = true'
O uso de modelos pré -ridicularizados não apenas obtém alto desempenho, mas também anexe rapidamente a convergência. Na figura a seguir, mostramos configurações condicionais e incondicionais.
Se você tiver algum problema com este código, envie um relatório de bug no site do GitHub do projeto. Para mais um contato do Pleach, para mais informações sobre o problema: [email protected]
