Transferring GANs
1.0.0
Передача знаний о предварительно подготовленных сетях в новые домены посредством создания является широко используемой практикой для приложений, основанных на дискриминационных моделях. Насколько нам известно, эта практика не была изучена в контексте генеративных глубоких сетей. Поэтому мы изучаем адаптацию домены, применяемую к генерации изображений с генеративными состязательными сетями. Мы оцениваем несколько аспектов адаптации доменов, включая влияние размера целевой области, относительное расстояние между источником и целевой доменом и инициализацию условных GAN. Наши результаты показывают, что использование знаний из предварительных сетей может сократить время сходимости и может значительно улучшить качество сгенерированных изображений, особенно когда целевые данные ограничены. Мы показываем, что эти выводы также могут быть сделаны для условных GAN, даже если предварительно преодоленная модель была обучена без кондиционирования. Наши результаты также предполагают, что плотность может быть более важной, чем разнообразие, и набор данных с одним или небольшим количеством плотно отобранных классов могут быть лучшей моделью источника, чем более разнообразные наборы данных, такие как ImageNet или места.
Использование 'git clone https://github.com/yaxingwang/transferring-gans'
Вы получите новую папку, чье имя является «передача-ганс» в вашем текущем пути, а затем используйте «CD Transfering-Gans», чтобы ввести загруженную новую папку
Скачать драйвер предварительного моделей Google; Tencent Qcloud
Неоценка загруженной папки в текущую папку, затем у вас есть новая папка «Transfer_model», которая содержит две папки: «условные», «безусловные», каждая из которых имеет четыре папки: «ImageNet», «Place», «celeba», «спальня»
Загрузите набор данных или используйте свой набор данных.
Я показал один пример, и вы могли бы сделать это с той же той же формой.
Запустить 'python transfer_gan.py'
Код проживания с настройкой по умолчанию. Предварительная модель можно выбрать путем изменения параметра 'target_domain'
Условный GAN, если вы заинтересованы в использовании условной модели, просто установите параметр 'acgan = true'
Использование предварительных моделей не только получает высокую производительность, но и быстро прикрепляет конвергенцию. На следующем рисунке мы показываем условные и безусловные настройки.
Если вы столкнетесь с любыми проблемами с этим кодом, отправьте отчет об ошибке на сайте GitHub проекта. Для другого инфекционного обращения со мной: [email protected]
