Transferring GANs

從有限的數據中轉移gan產生圖像

抽象的：

通過填充將驗證網絡的知識轉移到新領域是一種基於判別模型的應用程序的廣泛使用的實踐。據我們所知，這種做法尚未在生成深網的背景下進行研究。因此，我們研究針對具有生成對抗網絡的圖像產生的域適應性。我們評估了域適應性的幾個方面，包括目標域大小的影響，源和目標域之間的相對距離以及條件gan的初始化。我們的結果表明，使用驗證網絡的知識可以縮短收斂時間，並且可以顯著提高生成的圖像的質量，尤其是當目標數據受到限制時。我們表明，即使在沒有條件條件的情況下訓練了驗證的模型，也可以為有條件的gan得出這些結論。我們的結果還表明，密度可能比多樣性更重要，而一個或幾個密集採樣類別的數據集可能比ImageNet或Plote等多樣化的數據集更好。

概述

• 依賴
• 安裝
• 指示
• 結果
• 參考
• 接觸

依賴

• python2.7，numpy，scipy，nvidia gpu
• TensorFlow：版本應該更多1.0（https：//www.tensorflow.org/）
• 數據集： LSUN臥室（http://lsun.cs.princeton.edu/2017/）或您的數據集

安裝

• 安裝TensorFlow
• OPENCV

指示

• 使用'git克隆https://github.com/yaxingwang/transferring-gans'

  您將在當前路徑中獲得名稱為“ Transferring-Gans”的新文件夾，然後使用“ CD Transfring-Gans”輸入下載的新文件夾

• 下載Pretrain ModelsGoogle驅動程序；騰訊QCloud

  未壓縮的下載文件夾到當前文件夾，然後您有新的文件夾'Transfer_model'，其中包含兩個文件夾：“條件”，“無條件”，每個文件夾都有四個文件夾：“ Imagenet”，“ ploces”，“ celeba”，“ celeba'，'supperroom'

• 下載數據集或使用您的數據集。

  我已經展示了一個例子，您可以以相同的形式製作。

• 運行'Python Transfer_gan.py'

  帶有默認設置的運行代碼。可以通過更改參數“ target_domain”來驗證的模型

• 有條件的gan如果您有興趣使用條件模型，只需設置參數'acgan = true'

結果

使用驗證的模型不僅獲得高性能，而且可以迅速附加收斂。在下圖中，我們顯示了條件和無條件設置。

參考

• [1] Ishaan Gulrajani等人的“改善了Wasserstein Gans的培訓”。 al，https://arxiv.org/abs/1704.00028，（https://github.com/igul222222222222222222222222222222222222222222222222222222222222222222222222222222222222222轉。
• [2] Martin Heusel等人由兩個時間尺度更新規則訓練的甘斯匯合到本地NASH均衡。 Al，https://arxiv.org/abs/1704.00028

接觸

如果您遇到此代碼的任何問題，請在項目的GitHub站點上提交錯誤報告。有關與我的另一個inquries pleace聯繫：[email protected]