作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

?本文網(wǎng)址：https://blog.csdn.net/HiWangWenBing/article/details/122077757

---

目錄

第1章 概述

1.1 代碼架構與總體思路

1.2 本章基本思路

1.3 訓練方式

第2章 測試步驟

第1步：下載或克隆pytorch-CycleGAN-and-pix2pix所有代碼

第2步：切換當前目錄

第3步：安裝依賴文件（可視化工具）

第4步：下載pix2pix數(shù)據(jù)集

第5步：下載預訓練模型

第6步：啟動可視化工具visdom

第7步：模型訓練

第8步：效果展示

---

---

第1章 概述

1.1 代碼架構與總體思路

[Pytorch系列-63]：生成對抗網(wǎng)絡GAN - 圖像生成開源項目pytorch-CycleGAN-and-pix2pix - 代碼總體架構_文火冰糖（王文兵）的博客-CSDN博客作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文網(wǎng)址：目錄第1章 理論概述1.1普通GAN, pix2pix, CycleGAN和pix2pixHD的演變過程第2章 CycleGAN-and-pix2pix代碼下載2.1 github代碼鏈接2.2 github使用說明2.3 代碼下載第3章CycleGAN-and-pix2pix代碼代碼結構3.1 目錄結構3.2 圖片轉換的兩大功能3.3 啟動程序的三種方法..https://blog.csdn.net/HiWangWenBing/article/details/121940011

1.2 本章基本思路

（1）Pycharm進行調試，替代命令行或Jupter

（2）選擇所需要硬盤空間小的數(shù)據(jù)進行測試

（3）熟悉pytorch-CycleGAN-and-pix2pix項目的使用

（4）熟悉pix2pix模型訓練

1.3 訓練方式

• 從頭開始訓練
• 從預預訓練模型開始訓練（官網(wǎng)提供的預訓練模型只包括G網(wǎng)絡，不包括D網(wǎng)絡）
• 從上次訓練結果開始訓練

第2章 測試步驟

第1步：下載或克隆pytorch-CycleGAN-and-pix2pix所有代碼

如果已經(jīng)完成，可以跳過此步驟。

（1）Linux 命令行方式：!git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

（2）Windows瀏覽器下載：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

備注：

• 可以把代碼下載或拷貝到jupter的工作目錄中，以便后續(xù)可以通過jupter運行代碼。

第2步：切換當前目錄

（1）運行方式

• Windows 命令行方式：cd xxx
• jupter方式：

import os os.chdir('pytorch-CycleGAN-and-pix2pix/')

• Pycharm: 把工程文件copy到Pycharm工作目錄中即可

第3步：安裝依賴文件（可視化工具）

如果已經(jīng)完成，可以跳過此步驟。

• Windows 命令行方式

pip install -r requirements.txt

• Jupter方式

!pip install -r requirements.txt

torch>=0.4.1
torchvision>=0.2.1
dominate>=2.3.1
visdom>=0.1.8.3

第4步：下載pix2pix數(shù)據(jù)集

（1）下載方式

• Linux 命令行方式

bash ./datasets/download_pix2pix_dataset.sh facades

• Jupter方式

!bash ./datasets/download_pix2pix_dataset.sh facades

• Windows瀏覽器方式

根據(jù)./datasets/download_pix2pix_dataset.sh的內容，獲取數(shù)據(jù)集URL， 通過URL手工下載：Index of /pix2pix/datasets

備注：

• 有些數(shù)據(jù)集很多，高達8G, 下載時需留意硬盤空間是否可以承載。
• pix2pix的數(shù)據(jù)集是成對出現(xiàn)的。
• Facades和cityscapes數(shù)據(jù)集最小，方便測試驗證。

（2）數(shù)據(jù)集的存放路徑

• 存放路徑：pytorch-CycleGAN-and-pix2pix\datasets

備注：必須同名，不能改名

?（3）支持的數(shù)據(jù)集

支持的數(shù)據(jù)集：

• cityscapes： 城市輪廓轉換成城市街景實體
• night2day：? 晚上轉換成白天
• edges2handbags：邊沿轉換成手提包
• edges2shoes：邊沿轉換成鞋子
• facades：房屋外觀轉換成房子實體（所需要的內存空間最小）
• maps：地圖輪廓轉換成實體地圖

第5步：下載預訓練模型

（1）下載方式

• Linux命令行方式

bash ./scripts/download_pix2pix_model.sh facades_label2photo

• jupter方式

!bash ./scripts/download_pix2pix_model.sh facades_label2photo

• Windows方式

根據(jù)download_pix2pix_model.sh腳步的內容，獲取鏈接：

http://efrosgans.eecs.berkeley.edu/pix2pix/models-pytorch/

（2）存放路徑

./checkpoints/{xxx}/latest_net_G.pth

xxx為模型名稱。

備注：

• 需要把模型的名稱，改為latest_net_G.pth，并存放在{xxx}目錄中，這與使用預訓練模型進行測試是不一樣的。
• 官方的預訓練模型，只有G網(wǎng)絡的參數(shù)，沒有D網(wǎng)絡的參數(shù)，因此基本上需要重新訓練。

第6步：啟動可視化工具visdom

（1）啟動visdom server

conda info -e

conda activate?pytorch-gpu-os

python -m visdom.server

（2）啟動visdom Client

http://localhost:8097

第7步：模型訓練

（1）CPU方式（僅用于學習代碼）運行

--dataroot ./datasets/facades --name facades_pix2pix --model pix2pix --direction BtoA

--gpu_ids -1 --niter_decay 1 --niter 1

--display_freq 1 --update_html_freq 1 --print_freq 1?--save_epoch_freq 5?--save_latest_freq? 100

• --gpu_ids -1：表示使用CPU進行訓練。
• -print_freq 1：每迭代多少次，在終端上打印一次提示信息, 默認100.
• -display_freq 1：每迭代多少次，在visdom客戶端可視化一次圖像，默認400
• --update_html_freq 1：每迭代多少次，更新一次html輸出文件，默認1000.
• --save_epoch_freq 5：? ? 每迭代多少次，存儲一次模型參數(shù)
• --save_latest_freq? 100：每迭代多少次，存儲一次模型參數(shù)
• --niter 1：迭代的epoch次數(shù)， 默認100
• --niter_decay 1：迭代的epoch次數(shù)，對學習率進行一次衰減，默認100，總的epoc=niter +?niter_decay + 1

備注：

• 該項目，采用GPU訓練時，需要>8G的GPU內存，如果GPU條件不滿足，在學習代碼流程時，可以使用CPU進行訓練
• 之所以修改這些默認參數(shù)，是因為CPU的訓練太慢，不利于學習的效率。

（2）GPU方式（適用于正式訓練模型）

--dataroot ./datasets/facades --name facades_pix2pix --model pix2pix --direction BtoA

備注：

在GPU的情況下，使用默認的參數(shù)。

（3）重頭訓練與基于先前的訓練結果繼續(xù)訓練

--continue_train ：如果設置，則基于先前的訓練結果繼續(xù)訓練，如果不設置，則從頭開始訓練。

第8步：效果展示

（1）控制臺打印顯示

dataset [AlignedDataset] was created
The number of training images = 400
initialize network with normal
initialize network with normal
model [Pix2PixModel] was created
---------- Networks initialized -------------
[Network G] Total number of parameters : 54.414 M
[Network D] Total number of parameters : 2.769 M
-----------------------------------------------

(epoch: 1, iters: 1, time: 0.861, data: 8.576) G_GAN: 1.932 G_L1: 35.501 D_real: 0.595 D_fake: 1.196?
(epoch: 1, iters: 2, time: 0.861, data: 0.001) G_GAN: 1.457 G_L1: 52.500 D_real: 1.197 D_fake: 1.248?
(epoch: 1, iters: 3, time: 0.791, data: 0.000) G_GAN: 0.957 G_L1: 39.967 D_real: 1.115 D_fake: 1.119?

............................

(epoch: 2, iters: 400, time: 0.973, data: 0.000) G_GAN: 1.775 G_L1: 39.182 D_real: 0.137 D_fake: 0.277?
End of epoch 2 / 2 ?? ? Time Taken: 408 sec
learning rate = 0.0000000

Process finished with exit code 0

（2）visdom圖形化顯示

• loss

• 訓練結果

第9步：輸出文件

（1）圖片文件：

目錄：

• pytorch-CycleGAN-and-pix2pix\checkpoints\facades_pix2pix\web\images

（2）模型文件

目錄：

• pytorch-CycleGAN-and-pix2pix\checkpoints\facades_pix2pix\

內容：

• latest_net_G.pth：最新的G網(wǎng)絡模型文件, 再訓練時，可以 基于此文件進行繼續(xù)訓練
• latest_net_D.pth：最新的D網(wǎng)絡模型文件，再訓練時，可以 基于此文件進行繼續(xù)訓練
• 200_net_G.pth：迭代n次的G網(wǎng)絡模型文件
• 200_net_D.pth：迭代n次的D網(wǎng)絡模型文件

---

作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文網(wǎng)址：https://blog.csdn.net/HiWangWenBing/article/details/122077757

總結

以上是生活随笔為你收集整理的[Pytorch系列-71]：生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型训练pix2pix模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。