Cycle GAN（复现）---笔记

因为目前的课题了解到了Cycle GAN,所以最近去学习了相关的一些知识。

目前网上绝大多数的代码都是https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix，所以下面的复现过程也都是基于此代码完成的。

背景：

Cycle GAN(Cycle Generative Adversarial Network)---即循环生成对抗网络，基于无监督学习，不需要配对的数据，作用是对两个域（不同风格）之间的图像进行相互转换。

1.下载代码

一般直接从GitHub上就可直接下载https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

2.配置环境

一般来说我配置环境喜欢用Anaconda的Anaconda Powershell Prompt，感觉比较容易。TIPs: 我是小白所以都是在WINDOWS下进行的。

首先安装部分可以参考网上的一些教程，大致就是下载Anaconda，然后开始菜单里面找到Anaconda Powershell Prompt

用conda 创建Python虚拟环境（在conda prompt环境下完成）

conda create -n environment_name python=X.X

注：该命令只适用于Windows环境；“environment_name”是要创建的环境名；“python=X.X”是选择的Python版本)

激活虚拟环境（在conda prompt环境下完成）

conda activate your_env_name

然后按照requirements.txt和代码里导入的模块进行安装包。

比如Cycle GAN下载后的requirements.txt文件：

torch>=1.4.0
torchvision>=0.5.0
dominate>=2.4.0
visdom>=0.1.8.8
wandb

先安装Pytorch，这个容易出错，这边建议使用这个代码

# CUDA 10.0
pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.html

深度学习配环境有一些坑，比如你要是用GPU的话，需要提前安装显卡驱动支持的CUDA，我一般使用的是CUDA10.0，因为网上搜CUDA对于版本可以了解一些情况，这边不多加阐述，这边使用的是torch=1.4.0+torchvision=0.5.0，之后安装其他环境到时候可以直接换掉，后面的-f是使用的源地址，这边的换源方法网上也有很多，可以添加什么阿里、豆瓣、清华之类的镜像）

后面的其他包可以建一个XX.txt文件，比如需要

dominate>=2.4.0
visdom>=0.1.8.8
wandb

然后

pip install -r XX.txt

注意txt的地址，cd 改到txt的目录下就行。

基本上这些完成后就可以了

我一般会测试一下torch安装的是否成功，可以从conda prompt里测试

python
import torch
torch.cuda.is_available()

如果返回的是True就算成功了，False的话就需要重新看看哪步出问题了。

3.运行代码

Cycle GAN的配置算是容易的，首先看一下结构

checkpoints
data
datasets
docs
imgs
models
options
results
scripts
util
test.py
train.py

需要创建checkpoints文件夹，数据存放在datasets里

 datasets                   
|   ├──          # i.e. maps（将卫星图与导航图相互转换的数据集）
|   |   ├── trainA             # 包含训练所需的A域图像 (i.e. 卫星图)
|   |   ├── trainB             # 包含训练所需的B域图像 (i.e. 导航图)
|   |   ├── testA              # 包含测试所需的A域图像 (i.e. 卫星图)
|   |   ├── testB              # 包含测试所需的B域图像 (i.e. 导航图)

按照这样的结构存放好数据集，即可。网上有许多公共数据方便使用：http://efrosgans.eecs.berkeley.edu/cyclegan/datasets/可以从这个网站下载，下载以后按上面的方式存放即可。

也可以使用自己的数据集，方式同理。

在实际运行代码的时候要注意的是，导入的包里面含有visdom,这个包有点类似tensorflow的tensorbord,是一个可视化界面，所以需要在运行前启动一下，可以仍在conda prompt里激活环境

conda activate your_env_name

启动visdom

python -m visdom.server

第一次启动会有点慢，显示It's Alive!表明成功

It's Alive!
INFO:root:Application Started
You can navigate to http://localhost:8097

http://localhost:8097就是可视化界面的地址，打开即可看到训练过程中的变化。

默认的运行代码为：

python train.py --dataroot ./datasets/maps --name maps_cyclegan --model cycle_gan

这是使用datasets里的maps数据集，在checkpoints文件夹内建立maps_cyclegan文件用于存放训练过程记录的模型，里面包含loss_log.txt、train_opt.txt和 .pth模型，以及wed文件夹，wed文件夹里存放这训练过程中的实例比对，这部分在网页上也可以看到。

至于此，是按照代码的默认值进行训练的，完成训练后在刚生成的 .pth模型终会有latest_net_G_A.pth、latest_net_G_B.pth、latest_net_D_A.pth、latest_net_D_B.pth，这些是训练过程中的最新模型，其中G_A.pth是用来将A域图像转换成B域图像的模型参数，G_B.pth是将B域图像转换成A域图像的模型参数,主要也是使用这两个。

在checkpoints文件夹内创建文件夹例如：maps_pretrained, 将刚刚的latest_net_G_A.pth移至文件夹并改名latest_net_G.pth,终端运行代码

python test.py --dataroot datasets/maps/testA --name maps_pretrained --model test --no_dropout

即可完成将trainA转换成trainB的过程，反之使用latest_net_G_B.pth。

 epoch=20时的训练效果

 epoch=20时的训练效果 

 

 训练过程

 Cycle GAN的复现过程大致就是这样，后续更多内容可以查看options文件夹内的设置进行更改。