生成对抗网络实现超分

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。

最近参加了PaddleGAN的生成对抗网络七日打卡营，感觉收货颇丰。对于刚刚入门的我来说可能还不能将所有的知识消化吸收，但是还是可以从最基本的原理开始入手。我对GAN的基本原理理解如下：

我们有两个网络，G（Generator）和D（Discriminator）。它们的功能分别是：

• G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。
• D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，概率介于0-1之间，越接近1代表越真实，越接近0代表越可能是假的。

经过这几天的学习，相信大家对GAN已经有了一定的了解了，也在前面的作业中体验过GAN的一些应用了。那现在大家是不是想要升级一下难度，自己动手来训练一个模型呢？需要自己动手训练的大作业来啦，大作业内容为基于PaddleGAN中的超分模型，实现卡通画超分。

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 训练数据统计
train_names = os.listdir('PaddleGAN/data/animeSR/train')
print(f'训练集数据量: {len(train_names)}')

# 测试数据统计
test_names = os.listdir('PaddleGAN/data/animeSR/test')
print(f'测试集数据量: {len(test_names)}')

# 训练数据可视化
img = cv2.imread('PaddleGAN/data/animeSR/train/Anime_1.jpg')
img = img[:,:,::-1]
plt.figure()
plt.imshow(img)
plt.show()

 

找到你需要的模型的配置文件，修改模型参数，一般修改迭代次数，num_workers，batch_size以及数据集路径。

有能力的同学也可以尝试修改其他参数，或者基于现有模型进行二次开发，模型代码在/home/aistudio/PaddleGAN/ppgan/models目录下。

以LESRCNNN为例，这里将配置文件lesrcnn_psnr_x4_div2k.yaml中的

参数total_iters设置为50000

参数dataset：train：num_workers设置为4

参数dataset：train：batch_size设置为16

参数dataset：train：gt_folder改为data/animeSR/train

参数dataset：train：lq_folder改为data/animeSR/train_X4

参数dataset：test：gt_folder改为data/animeSR/test

参数dataset：test：lq_folder改为data/animeSR/test_X4

参数periods: [… , … , … , …]periods的数字总和要等于 total_iters 的数值

%cd /home/aistudio/PaddleGAN/
!python -u tools/main.py --config-file configs/lesrcnn_psnr_x4_div2k.yaml

 

测试模型

cd /home/aistudio/PaddleGAN/
!python tools/main.py --config-file configs/lesrcnn_psnr_x4_div2k.yaml --evaluate-only --load /home/aistudio/pretrained_model/ESRGAN_PSNR_50000_weight.pdparams