本文主要是介绍G6 - CycleGAN实战,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
- 🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客
- 🍖 原作者:[K同学啊](https://mtyjkh.blog.csdn.net/)
目录
- 理论知识
- CycleGAN能做什么
- 模型结构
- 损失函数
- 模型效果
- 总结与心得体会
理论知识
CycleGAN能做什么
CycleGAN的一个重要的应用领域就是Domain Adapation(域迁移:可以通俗的理解 为画风迁移)。
比如可以把一张普通的风景照变化成梵高的画作,或者将游戏画面变化成真实世界的画面,将一匹正常肤色的马转换为斑马等。
模型结构
CycleGAN由左右两个GAN网络组成。
G(AB)负责把A类物体(斑马)转换成B类物体(正常的马)
G(BA)负责把B类物体(正常的马)还原成A类物体(斑马)
然后由一个判别器网络D来判别B类物体的真实性
损失函数
CycleGAN的Loss由三部分组成,即:
L o s s = L o s s G A N + L o s s c y c l e + L o s s i d e n t i t y Loss=Loss_{GAN}+Loss_{cycle}+Loss_{identity} Loss=LossGAN+Losscycle+Lossidentity
其中:
- L o s s G A N Loss_{GAN} LossGAN 用于保证生成器和判别器相互进货,进行保证生成器能产生更真实的图片,这部分与其它的GAN网络无异。
- L o s s c y c l e Loss_{cycle} Losscycle 用于保证生成器的输出图片与输入图片只是风格不同,而内容相同。即保证:将由图像 x x x生成的图像 Y ^ \hat{Y} Y^再放入生成器 F F F中,使生成的图像 x ^ \hat{x} x^尽可能与原始图像 x x x相似。
- L o s s i d e n t i t y Loss_{identity} Lossidentity 是映射损失,即用真实的A当做输入,查看生成器是否会原封不到的输出
三种损失函数所捕捉的损失类型如图所示:
模型效果
直接下载UP提供的软件包,解压data.zip和cyclegan.zip
通过执行 python cyclegan.py
来训练模型,默认参数是训练400个epoch需要训练一天时间以上,我们临时修改为训练4个epoch
# 还需要设置一下开始衰减的epoch,只要比n_epochs小就好,这里设置为2
python cyclegan.py --n_epochs 4 --decay_epoch 2
由于训练时间太短,只是稍微有些莫奈的味道
总结与心得体会
通过对CycleGAN的学习,我理解CycleGAN其实是训练了较前作来说是完整的GAN模型,G模型用来做从通过A生成B,F模型用来做通过B生成A。如果只是分别看GAN的损失,的确是两个不相关的模型,但是作者通过Cycle损失和Identity损失,将两个模型联合在一起进行训练,训练好的生成器G和生成器F就可以实现相反的两种转换。
通过前面的视频也可以看出,不同的帧之间,不一定具有一致性, 所以将一个图像模型直接转换为视频模型,有一个需要考虑的点就是前后帧的一致性问题,这应该是视频生成模型的共性问题。
这篇关于G6 - CycleGAN实战的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!