f-AnoGAN 项目安装和配置指南

f-AnoGAN 项目安装和配置指南

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

1. 项目基础介绍和主要编程语言

项目介绍

f-AnoGAN 是一个用于异常检测的生成对抗网络（GAN）项目。该项目的主要特点是生成器（Generator）、判别器（Discriminator）和编码器（Encoder）分别进行训练，并通过判别器特征残差误差和图像重构误差来计算异常分数。

主要编程语言

该项目主要使用 Python 编程语言。

2. 项目使用的关键技术和框架

关键技术

• 生成对抗网络（GAN）: 用于生成和判别图像。
• 异常检测: 通过计算特征残差误差和图像重构误差来检测异常。

框架

• PyTorch: 用于构建和训练神经网络模型。
• Matplotlib: 用于数据可视化。
• Numpy: 用于数值计算。
• pandas: 用于数据处理。
• Pillow: 用于图像处理。
• scikit-learn: 用于机器学习相关操作。

3. 项目安装和配置的准备工作和详细安装步骤

准备工作

在开始安装之前，请确保您的系统已经安装了以下软件和库：

• Python 3.6 或更高版本
• PyTorch 1.x
• Matplotlib
• Numpy
• pandas
• Pillow
• scikit-learn

安装步骤

步骤 1: 克隆项目仓库

首先，您需要从 GitHub 上克隆 f-AnoGAN 项目仓库到本地。

git clone https://github.com/A03ki/f-AnoGAN.git
cd f-AnoGAN

步骤 2: 安装依赖项

使用 setup.py 脚本来安装项目所需的依赖项。

python setup.py install

步骤 3: 训练和测试 MNIST 数据集

以下是训练和测试 MNIST 数据集的详细步骤：

1. 进入 mnist 目录：

   cd mnist
   

2. 训练生成对抗网络（GAN）：

   python train_wgangp.py --training_label 1 --seed 2 --n_epochs 20
   

3. 训练编码器：

   python train_encoder_izif.py --training_label 1 --seed 2 --n_epochs 20
   

4. 测试异常检测：

   python test_anomaly_detection.py --training_label 1
   

5. 保存对比图像：

   python save_compared_images.py --seed 4 --n_iters 0 --n_grid_lines 10
   

步骤 4: 使用自定义数据集

如果您想使用自定义数据集，请按照以下步骤操作：

1. 进入 your_own_dataset 目录：

   cd your_own_dataset
   

2. 将您的自定义数据集放置在 f-AnoGAN/your_own_dataset 目录下。

3. 训练生成对抗网络（GAN）：

   python train_wgangp.py "your_own_dataset_dir_name/train_dir_name"
   

4. 训练编码器：

   python train_encoder_izif.py "your_own_dataset_dir_name/train_dir_name"
   

5. 测试异常检测：

   python test_anomaly_detection.py "your_own_dataset_dir_name/test_dir_name"
   

6. 保存对比图像：

   python save_compared_images.py "your_own_dataset_dir_name/test_dir_name" --n_iters 0 --n_grid_lines 10
   

通过以上步骤，您可以成功安装和配置 f-AnoGAN 项目，并使用 MNIST 数据集或自定义数据集进行训练和测试。

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