本文主要是介绍【深度学习入门项目】给学妹换个风格，画风突变【❤️CVPR 2020 风格迁移之NICE-GAN❤️】，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！
❤️【深度学习入门项目】❤️ 之 【风格迁移】 初识 | 🚀学会【对抗训练】，你和学妹便不会再有尴尬🚀
❤️ 【带你了解】❤️
- ❤️ 风格迁移 ========》一键换装
- 💙 人生多一点尝试 ===》画风突变
文章目录
- 🔔 基础信息
- 🎉 git 官方 环境依赖如下：
- 📢 环境搭建
- 🎄 项目结构
- 💜 加入数据集
- 💜 训练参数设置
- 🎄 训练和测试
- 💜 Train
- 💜 Test
- 💬 备注
- 👋 可能遇到的报错
- 🚀 给学妹换个风格 🚀
- 💜 训练分析
- 💜 学妹还是有的
- 🍖 训练代码+数据分享
- 🚀🚀 文末专栏推荐部分 🚀🚀
- ❤️ 当生成器和判别器趋于平衡，那便是爱情 💜
🔔 基础信息
- Reusing Discriminators for Encoding: Towards Unsupervised Image-to-Image Translation
- 《重用判别器进行编码：实现无监督的图像到图像翻译》
- https://arxiv.org/pdf/2003.00273.pdf
- 论文精简翻译
- 官方 PyTorch 实现 – https://github.com/alpc91/NICE-GAN-pytorch
🎉 git 官方 环境依赖如下：
gitHub 官方
📢 环境搭建
- 服务器：ubuntu1~18.04 Quadro RTX 5000 16G
- CUDA版本 V10.0.130
conda create -n nice python=3.6.9conda activate nicepip install torch==1.1.0pip install torchvision==0.3.0
或者（建议使用 conda 来安装）
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorchpip install pillow==5.2.0pip install opencv-pythonpip install scipy
pip install thop
🎄 项目结构
git clone https://github.com/alpc91/NICE-GAN-pytorch.gitcd NICE-GAN-pytorchcd dataset/
💜 加入数据集
💜 训练参数设置
🎄 训练和测试
💜 Train
# 显卡16G不够用，所以设置 --light True python main.py --dataset horse2zebra --light True# 指定多卡训练的方式如下CUDA_VISIBLE_DEVICES=2,3 python main.py --dataset horse2zebra --light True# nohup 把训练进程放到后台nohup python main.py --dataset horse2zebra --light True &
90分钟 训练 5000 个epoch ，训练效果如下
💜 Test
python main.py --dataset horse2zebra --phase test --light True
测试运行输出如下
python main.py --dataset horse2zebra --phase test --light True# 测试运行输出如下number of epochs must be larger than or equal to one##### Information #####
# light : True
# dataset : horse2zebra
# batch_size : 1
# iteration per epoch : 300000
# the size of image : 256
# the size of image channel : 3
# base channel number per layer : 64##### Generator #####
# residual blocks : 6##### Discriminator #####
# discriminator layers : 7##### Weight #####
# adv_weight : 1
# cycle_weight : 10
# recon_weight : 10
-----------------------------------------------
[INFO] Register count_linear() for <class 'torch.nn.modules.linear.Linear'>.
[INFO] Register count_convNd() for <class 'torch.nn.modules.conv.Conv2d'>.
[INFO] Register count_relu() for <class 'torch.nn.modules.activation.LeakyReLU'>.
[Network disA] Total number of parameters: 93.749M
[Network disA] Total number of FLOPs: 12.013G
-----------------------------------------------
[INFO] Register zero_ops() for <class 'torch.nn.modules.activation.ReLU'>.
[INFO] Register count_linear() for <class 'torch.nn.modules.linear.Linear'>.[Network gen2B] Total number of parameters: 16.192M
[Network gen2B] Total number of FLOPs: 67.552G
-----------------------------------------------
5000 [测试使用模型的迭代次数]dataset/horse2zebra/testA/n02381460_1000.jpg
dataset/horse2zebra/testA/n02381460_1010.jpg
...
💬 备注
- 该模型训练中一次保存，大小 1.2 个G
- –batch_size == 1 时，GPU 占用 7679MiB
- –batch_size == 2 时，GPU 占用 12473MiB
- –batch_size == 4 时，16G 的GPU就不够用啦
👋 可能遇到的报错
单卡训练，NICE-GAN full version 训练， 【16G】GPU 不够用
CUDA_VISIBLE_DEVICES=3 python main.py --dataset horse2zebra
RuntimeError: CUDA out of memory. Tried to allocate 1024.00 MiB (GPU 0; 15.75 GiB total capacity; 13.78 GiB already allocated; 782.44 MiB free; 499.74 MiB cached)
解决方法如下
- 经验证换用 24 G 以上更大内存的 GPU 进行训练，不会遇到该错误，即进行【NICE-GAN full version】训练
- 训练时，追加参数 --light True 即进行【NICE-GAN light version】训练
🚀 给学妹换个风格 🚀
这里使用 【梵高油画和现实风景图像】构成的数据集进行 50万 iteration 训练
nohup python main.py --dataset vangogh2photo --light True &# 训练时长，最终定格在 5天训练结束输出如下
[499995/500000] time: 431994.8614 d_loss: 2.32049370, g_loss: 3.90420341
[499996/500000] time: 431995.4892 d_loss: 2.04860115, g_loss: 3.71788430
[499997/500000] time: 431996.1223 d_loss: 2.22972393, g_loss: 4.25117588
[499998/500000] time: 431996.7609 d_loss: 2.36788273, g_loss: 5.42507362
[499999/500000] time: 431997.3897 d_loss: 2.53704023, g_loss: 4.05708218
[500000/500000] time: 431998.0172 d_loss: 2.21194649, g_loss: 4.53932619
current D_learning rate:-1.7075100951256253e-16
current G_learning rate:-1.7075100951256253e-16[*] Training finished!
💜 训练分析
可以看到，默认每隔10w iteration 保存一次模型，50w 训练只保存了 5次模型
这 5 次保留的模型经测试发现，效果都无法让人心动
意外翻车，原因分析如下
- Gan 网络的模型训练本身就有很多不稳定性、不确定性存在
- 改进策略，数据集 trainA 和 trainB 风格尽量一致
- 训练时，建议每隔 1 w 或者 5k iteration 保存一次模型
- 这样可以得到多个生成模型，然后一一测试，也许会有惊喜
- 对于 NiceGAN 而言，实测应用，模型训练基本是这样一个思路
- 只能说，iteration 次数越多，理论上训练效果相对会更好，但是实际应用中，效果好的模型未必就是训练次数最大的那次得到的模型
💜 学妹还是有的
论数据集风格统一的重要性
【❤️下次，一定，让你更美❤️】
🍖 训练代码+数据分享
💜【把训练数据 + 代码分享给大家】💜
链接：https://pan.baidu.com/s/1zNR8TcXmQU7_nCB20Rqzmw
提取码：2021
🚀🚀 文末专栏推荐部分 🚀🚀
- 🎄如果感觉文章看完了不过瘾，还想更进一步，那么可以来我的其他 专栏 看一下哦~
- ❤️ 图像风格转换 —— 代码环境搭建 实战教程【关注即可阅】！
- 💜 图像修复-代码环境搭建-知识总结 实战教程 【据说还行】
- 💙 超分重建-代码环境搭建-知识总结 解秘如何让白月光更清晰【脱单神器】
- 💛 YOLO专栏，只有实战，不讲道理 图像分类【建议收藏】！
- 🎄 个人整理的Cuda系列 Linux安装教程【适合小白进阶】
- 💜 ubuntu18给当前用户安装cuda11.2 图文教程 | 配置cuDNN8.1 |
- 💜 Linux服务器下给当前用户安装自己的CUDA10.0
- 💜 Linux下cuda10.0安装Pytorch和Torchvision
- 💜 Linux 可以安装多个版本的Cuda 吗 | 给我一台新的服务器，我会怎么安排 Cuda
- 💜 查看CUDA和cuDNN的版本号
❤️ 当生成器和判别器趋于平衡，那便是爱情 💜
这篇关于【深度学习入门项目】给学妹换个风格，画风突变【❤️CVPR 2020 风格迁移之NICE-GAN❤️】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！
