f-AnoGAN 教程

f-AnoGAN 教程

f-AnoGAN项目地址:https://gitcode.com/gh_mirrors/fan/f-AnoGAN

1. 项目目录结构及介绍

f-AnoGAN 是一个基于 PyTorch 的异常检测框架，其目录结构如下：

f-AnoGAN/
├── images/                # 存放示例图像
├── mnist/                 # 示例数据集 - MNIST
│   ├── model.py           # MNIST 数据集相关模型
│   └─ ...                  # 其他训练和测试脚本
├── mvtec_ad/              # MVTec AD 数据集相关代码
│   ├── model.py           # MVTec AD 数据集相关模型
│   └─ ...
├── your_own_dataset/      # 用户自定义数据集存放位置
└── ...
├── setup.py               # 安装脚本
├── train_wgangp.py        # 训练 WGAN-GP 模型
├── train_encoder_izif.py  # 训练编码器 IZIF
├── test_anomaly_detection.py  # 测试异常检测
├── save_compared_images.py  # 保存比较图像
├── README.md              # 项目说明
└── ...                    # 其他辅助文件和文档

• images/: 放置示例图像和结果图片。
• mnist/: 包含训练和测试 MNIST 数据集的代码。
• mvtec_ad/: 包含训练和测试 MVTec AD 数据集的代码。
• train_wgangp.py: 训练 GAN 中的 WGAN-GP 分支。
• train_encoder_izif.py: 训练用于异常检测的编码器。
• test_anomaly_detection.py: 在测试数据上运行异常检测。
• save_compared_images.py: 保存异常检测结果的图像对比。

2. 项目启动文件介绍

train_wgangp.py

该脚本负责训练 GAN 的 Generator 和 Discriminator 部分。主要参数包括：

• --training_label: 标签值，表示要训练的数据类别（MNIST 数据集中是数字）。
• --seed: 种子值以确保实验可复现性。
• --n_epochs: 训练轮数。

train_encoder_izif.py

此脚本用于单独训练用于异常分数计算的编码器。参数与 train_wgangp.py 类似。

test_anomaly_detection.py

这个脚本用于在新的测试数据上执行异常检测。重要参数包括：

• "your_own_dataset_dir_name/test_dir_name": 指定你的测试数据集相对路径。

save_compared_images.py

用于可视化比较正常图像与重建后的图像，帮助评估模型性能。参数包括：

• "your_own_dataset_dir_name/test_dir_name": 测试数据集相对路径。
• --n_iters: 显示多少个迭代次数的结果。
• --n_grid_lines: 图像网格线的数量。

3. 项目的配置文件介绍

该项目没有使用标准的配置文件，但可以通过命令行参数来调整设置。例如，你可以通过以下方式改变训练轮数：

python train_wgangp.py --n_epochs 50

对于更复杂的配置，如更改模型架构或学习率等，可能需要直接修改源代码中的变量或添加额外的脚本来实现。不过，为了方便扩展，你可以考虑将这些参数提取到 YAML 或 JSON 配置文件中，然后在启动脚本中加载它们。这不是现有项目的一部分，但可以作为定制的一个方向。

f-AnoGAN项目地址:https://gitcode.com/gh_mirrors/fan/f-AnoGAN