stargan-v2(未待完续)

模型简介

StarGAN 是一种生成对抗网络（GAN），它特别适用于图像到图像的转换任务。与传统的图像转换方法不同，StarGAN 能够一次性在多个域（domains）之间进行转换，而不需要为每个转换任务训练单独的模型。

多域图像转换：与其他方法不同，StarGAN 可以在多个域之间进行转换，而不仅仅是两个域。这是通过为每个图像添加一个域标签（domain label）来实现的。

共享生成器：只使用一个生成器来处理不同的转换任务。生成器根据输入的域标签，生成相应目标域的图像。

共享判别器：一个判别器同时用于区分真假图像和识别图像的域标签。

模型拆解

网络结构

损失函数

评价指标

模型调试

训练指令

python main.py --mode train --num_domains 2 --w_hpf 1 \
               --lambda_reg 1 --lambda_sty 1 --lambda_ds 1 --lambda_cyc 1 \
               --train_img_dir data/celeba_hq/train \
               --val_img_dir data/celeba_hq/val

python main.py --mode train --num_domains 2 --w_hpf 1 \
               --lambda_reg 1 --lambda_sty 1 --lambda_ds 1 --lambda_cyc 1 \
               --train_img_dir D:\BaiduNetdiskDownload\FFHQ_Train \
               --val_img_dir D:\BaiduNetdiskDownload\FFHQ_Train 

常见问题

Q1：损失函数的数值为nan？

问题分析

在模型训练的第一轮（也就是第一个epoch或iteration）中损失函数的数值为nan，这通常会严重影响后续的训练。一旦损失函数变成nan，模型的权重更新通常也会变得无效，因为nan会通过梯度传播影响整个网络。这样的话，后续的训练循环也将继续产生 nan 的损失值，除非问题得到解决。

解决方案

检查初始化：确保网络的权重初始化适合所选的激活函数。例如，对于ReLU激活函数，He初始化通常是一个好选择。

调整学习率：尝试使用较小的学习率开始训练，查看是否可以避免出现 nan。

检查数据：确保输入数据没有问题，例如没有包含无效值（如无穷大或非数值）。

使用梯度裁剪：梯度裁剪可以帮助防止梯度爆炸，这是导致 nan 的一个常见原因。

调试输出：在模型的关键点添加调试输出，以查看何时何地首次生成了 nan 值。这可以帮助识别是数据问题、实现错误还是数值稳定性问题。

相关调研

文献检索(谷歌学术/知网)

技术概览（google/github/huggingface/csdn/知乎/bing/百度/b站）

[1] github项目：https://github.com/clovaai/stargan-v2

[2] error: https://eternallybored.org/misc/wget/

[3] net-weight1: https://www.dropbox.com/s/96fmei6c93o8b8t/100000_nets_ema.ckpt?e=2&dl=0

[4] net-weight2: https://www.dropbox.com/s/tjxpypwpt38926e/wing.ckpt?e=1&dl=0

[5] error: https://blog.csdn.net/m0_52122736/article/details/115802983

[6] error: https://www.cnblogs.com/yanzhao-x/p/15984054.html

[7] github项目：https://github.com/a312863063/generators-with-stylegan2