pytorch generative model collections

Pytorch产生模型收集

原始：[TensorFlow版本]

Pytorch实施各种gan。

该存储库是通过HWALSUK LEE来重新实现的。

我试图通过TensorFlow-Generative-Model-Collections尽可能多地实现此存储库，但是有些模型有些不同。

该存储库包括CPU模式Pytorch的代码，但我没有测试。我仅在GPU模式下测试。

数据集

• mnist
• 时尚狂热
• CIFAR10
• SVHN
• STL10
• lsun床

我只对MNIST和时尚志愿者进行了测试。

生成对抗网络（GAN）

列表（表从Tensorflow基因建模收集中借用）

姓名	纸链接	价值功能
甘	arxiv
lsgan	arxiv
恩	arxiv
wgan_gp	arxiv
德拉曼	arxiv
cgan	arxiv
Infogan	arxiv
Acgan	arxiv
EBGAN	arxiv
开始	arxiv

GAN结构的变体（数字是从张力流产生模型收集中借来的）

MNIST的结果

像Infogan Paper一样，生成器和鉴别器的网络体系结构是恶劣的SAME。
为了对所有GAN变体中的核心思想进行公平的比较，除Ebgan并开始，所有网络体系结构的实现都保持不变。对于Ebgan/开始，进行了小的修改，因为那些采用自动编码器构造来歧视者。但是我试图保持脱节者的能力。

以下结果可以通过命令复制：

 python main.py --dataset mnist --gan_type <TYPE> --epoch 50 --batch_size 64

固定世代

所有结果都是从固定噪声矢量产生的。

姓名	时期1	时期25	时期50	GIF
甘
lsgan
恩
wgan_gp
德拉曼
EBGAN
开始

有条件的一代

每一行具有相同的噪声矢量，并且每列具有相同的标签条件。

姓名	时期1	时期25	时期50	GIF
cgan
Acgan
Infogan

Infogan：操纵两个连续代码

所有结果都具有相同的噪声矢量和标记条件，但具有不同的持续矢量。

姓名	时期1	时期25	时期50	GIF
Infogan

损失图

姓名	损失
甘
lsgan
恩
wgan_gp
德拉曼
EBGAN
开始
cgan
Acgan
Infogan

时尚摄影师的结果

关于MNIST网络架构的评论也适用于此处。
Fashion-Mnist是最近提出的数据集，该数据集由60,000个示例的培训组和10,000个示例的测试组组成。每个示例都是28x28灰度图像，与10个类的标签相关联。 （T恤/上衣，裤子，套头衫，礼服，外套，檀香，衬衫，运动鞋，袋子，脚踝靴）

以下结果可以通过命令复制：

 python main.py --dataset fashion-mnist --gan_type <TYPE> --epoch 50 --batch_size 64

固定世代

所有结果都是从固定噪声矢量产生的。

姓名	时期1	时期25	时期50	GIF
甘
lsgan
恩
wgan_gp
德拉曼
EBGAN
开始

有条件的一代

每一行具有相同的噪声矢量，并且每列具有相同的标签条件。

姓名	时期1	时期25	时期50	GIF
cgan
Acgan
Infogan

• Acgan倾向于在Tensorflow生成模型聚会中陷入模式爆发，但Pytorch Acgan不会陷入模式折叠。

Infogan：操纵两个连续代码

所有结果都具有相同的噪声矢量和标记条件，但具有不同的持续矢量。

姓名	时期1	时期25	时期50	GIF
Infogan

损失图

姓名	损失
甘
lsgan
恩
wgan_gp
德拉曼
EBGAN
开始
cgan
Acgan
Infogan

文件夹结构

以下显示了基本文件夹结构。

 ├── main.py # gateway
├── data
│   ├── mnist # mnist data (not included in this repo)
│   ├── ...
│   ├── ...
│   └── fashion-mnist # fashion-mnist data (not included in this repo)
│
├── GAN.py # vainilla GAN
├── utils.py # utils
├── dataloader.py # dataloader
├── models # model files to be saved here
└── results # generation results to be saved here

发展环境

• Ubuntu 16.04 Lts
• NVIDIA GTX 1080 TI
• CUDA 9.0
• Python 3.5.2
• Pytorch 0.4.0
• 火炬0.2.1
• numpy 1.14.3
• matplotlib 2.2.2
• ImageIO 2.3.0
• Scipy 1.1.0

致谢

该实现基于TensorFlow生成模型收集，并使用GPU在Ubuntu 16.04上使用Pytorch 0.4.0进行了测试。