ดาวน์โหลด DiscoGAN pytorch - DiscoGAN pytorch Source Source Download

DiscoGAN pytorch

หลาม

1.0.0

ดาวน์โหลด

discogan ใน pytorch

การใช้ Pytorch ของการเรียนรู้เพื่อค้นพบความสัมพันธ์ข้ามโดเมนกับเครือข่ายฝ่ายตรงข้าม

* ตัวอย่างทั้งหมดใน readme.md มีชีวิตชีวาด้วยเครือข่ายประสาทยกเว้นภาพแรกสำหรับแต่ละแถว
* โครงสร้างเครือข่ายแตกต่างกันเล็กน้อย (ที่นี่) จากรหัสของผู้เขียน

ความต้องการ

Python 2.7
หมอน
TQDM
pytorch
คบเพลิง

การใช้งาน

ชุดข้อมูลดาวน์โหลดครั้งแรก (จาก Pix2Pix) พร้อม:

 $ bash ./data/download_dataset.sh dataset_name

facades : 400 ภาพจากชุดข้อมูล CMP Facades
cityscapes : 2975 ภาพจากชุดฝึกซ้อม Cityscapes
maps : 1096 ภาพการฝึกอบรมที่คัดลอกมาจาก Google Maps
edges2shoes : ภาพการฝึกอบรม 50K จากชุดข้อมูล UT ZAPPOS50K
edges2handbags : 137K Amazon Handbag Images จากโครงการ IGAN

หรือคุณสามารถใช้ชุดข้อมูลของคุณเองได้โดยวางรูปภาพเช่น:

 data
├── YOUR_DATASET_NAME
│   ├── A
│   |   ├── xxx.jpg (name doesn't matter)
│   |   ├── yyy.jpg
│   |   └── ...
│   └── B
│       ├── zzz.jpg
│       ├── www.jpg
│       └── ...
└── download_dataset.sh

ภาพทั้งหมดในแต่ละชุดข้อมูลควรมีขนาดเท่ากัน เช่นใช้ ImageMagick:

 # for Ubuntu
$ sudo apt-get install imagemagick
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/A/*.jpg
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/B/*.jpg

# for Mac
$ brew install imagemagick
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/A/*.jpg
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/B/*.jpg

# for scale and center crop
$ mogrify -resize 256x256^ -gravity center -crop 256x256+0+0 -quality 100 -path ../A/*.jpg

เพื่อฝึกอบรมแบบจำลอง:

 $ python main.py --dataset=edges2shoes --num_gpu=1
$ python main.py --dataset=YOUR_DATASET_NAME --num_gpu=4

เพื่อทดสอบโมเดล (ใช้ load_path ของคุณ):

 $ python main.py --dataset=edges2handbags --load_path=logs/edges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False

ผลลัพธ์

1. ชุดข้อมูลของเล่น

ผลลัพธ์ของตัวอย่างจากแบบจำลองผสมแบบเกาส์ 2 มิติ สมุดบันทึก ipython

# การทำซ้ำ: 0 :

# การทำซ้ำ: 10,000 :

2. ชุดข้อมูล boes2handbags

# การทำซ้ำ: 11200 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (รองเท้า -> กระเป๋าถือ -> รองเท้า)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (กระเป๋าถือ -> รองเท้า -> กระเป๋าถือ)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

3. Edges2Shoes ชุดข้อมูล

# การทำซ้ำ: 9600 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (สี -> ร่าง -> สี)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (Sketch -> color -> sketch)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

4. ชุดข้อมูล Edges2Handbags

# การทำซ้ำ: 9500 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (สี -> ร่าง -> สี)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (Sketch -> color -> sketch)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

5. ชุดข้อมูล CityScapes

# การทำซ้ำ: 8350 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (รูปภาพ -> การแบ่งส่วน -> ภาพ)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (การแบ่งส่วน -> ภาพ -> การแบ่งส่วน)

6. ชุดข้อมูลแผนที่

# การทำซ้ำ: 22200 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (รูปภาพ -> การแบ่งส่วน -> ภาพ)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (การแบ่งส่วน -> ภาพ -> การแบ่งส่วน)

7. ชุดข้อมูลด้านหน้า

การสร้างและการสร้างใหม่ในชุดข้อมูลการแบ่งส่วนหนาแน่นดูแปลก ๆ ซึ่งไม่รวมอยู่ในกระดาษ
ฉันเดาว่าตัวเลือกที่ไร้เดียงสาของการสูญเสีย mean square error สำหรับการสร้างใหม่จำเป็นต้องมีการเปลี่ยนแปลงบางอย่างในชุดข้อมูลนี้

# การทำซ้ำ: 19450 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (รูปภาพ -> การแบ่งส่วน -> ภาพ)