入坑生成对抗网络（GAN）

看了以后感觉还行的关于生成对抗网络的一个GitHub项目，安利给大家
链接：https://github.com/kwotsin/mimicry
文档：https://mimicry.readthedocs.io/en/latest/guides/introduction.html
比较不错的参考链接:https://www.cnblogs.com/wanghui-garcia/p/10785579.html
这个项目时以python包的形式发布了的，直接可以用pip安装pip install torch-mimicry
安装完了就可以用下面的代码开始训练了，简直不要太容易。默认是训练cifar10数据的
代码官网有，感觉很简单，先放一下，后面更新可能会改
train.py

import torch
import torch.optim as optim
import torch_mimicry as mmc
from torch_mimicry.nets import sngan

# Data handling objects
device = torch.device('cuda:0' if torch.cuda.is_available() else "cpu")
dataset = mmc.datasets.load_dataset(root='./datasets', name='cifar10')
dataloader = torch.utils.data.DataLoader(
    dataset, batch_size=64, shuffle=True, num_workers=0)

# Define models and optimizers
netG = sngan.SNGANGenerator32().to(device)
netD = sngan.SNGANDiscriminator32().to(device)
optD = optim.Adam(netD.parameters(), 2e-4, betas=(0.0, 0.9))
optG = optim.Adam(netG.parameters(), 2e-4, betas=(0.0, 0.9))

# Start training
trainer = mmc.training.Trainer(
    netD=netD,
    netG=netG,
    optD=optD,
    optG=optG,
    n_dis=5,
    num_steps=100000,
    lr_decay='linear',
    dataloader=dataloader,
    log_dir='./log/example',
    device=device)
trainer.train()

# Evaluate fid
mmc.metrics.evaluate(
    metric='fid',
    log_dir='./log/example',
    netG=netG,
    dataset_name='cifar10',
    num_real_samples=50000,
    num_fake_samples=50000,
    evaluate_step=100000,
    device=device)

# Evaluate kid
mmc.metrics.evaluate(
    metric='kid',
    log_dir='./log/example',
    netG=netG,
    dataset_name='cifar10',
    num_subsets=50,
    subset_size=1000,
    evaluate_step=100000,        
    device=device)

# Evaluate inception score
mmc.metrics.evaluate(
    metric='inception_score',
    log_dir='./log/example',
    netG=netG,
    num_samples=50000,
    evaluate_step=100000,        
    device=device)

这里会有一个bug,就是训练到50次的时候回提示一个缺少路径的bug，缺少红线标的errD还是errG我忘了，最好还是手动新建一下吧

接下来根据以上第三个链接给出的练习，我试着训练链接里提供的卡通头像，训练脚本需要改的地方其实不多，只需要改数据读入的地方就行了，更改后的代码如下：

import torch
import torch.optim as optim
import torch_mimicry as mmc
from torch_mimicry.nets import sngan
import torchvision as tv

# Data handling objects
device = torch.device('cuda:0' if torch.cuda.is_available() else "cpu")
image_size = 96
data_path = "./own_data"  #这里注意一下，里面放的是一个文件夹face，即./own_data/face，face里面就是所有图像了
batch_size = 256
num_workers = 0
transforms = tv.transforms.Compose([
        tv.transforms.Resize(image_size),
        tv.transforms.CenterCrop(image_size),
        tv.transforms.ToTensor(),
        tv.transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
    ])

dataset = tv.datasets.ImageFolder(data_path, transform=transforms)
dataloader = torch.utils.data.DataLoader(dataset,
                                     batch_size=batch_size,
                                     shuffle=True,
                                     num_workers=num_workers,
                                     drop_last=True
                                     )


# Define models and optimizers
netG = sngan.SNGANGenerator32().to(device)
netD = sngan.SNGANDiscriminator32().to(device)
optD = optim.Adam(netD.parameters(), 2e-4, betas=(0.0, 0.9))
optG = optim.Adam(netG.parameters(), 2e-4, betas=(0.0, 0.9))

# Start training
trainer = mmc.training.Trainer(
    netD=netD,
    netG=netG,
    optD=optD,
    optG=optG,
    n_dis=5,
    num_steps=100000,
    lr_decay='linear',
    dataloader=dataloader,
    log_dir='./log/example',
    device=device)
trainer.train()

# Evaluate fid
mmc.metrics.evaluate(
    metric='fid',
    log_dir='./log/example',
    netG=netG,
    dataset_name='cifar10',
    num_real_samples=50000,
    num_fake_samples=50000,
    evaluate_step=100000,
    device=device)

# Evaluate kid
mmc.metrics.evaluate(
    metric='kid',
    log_dir='./log/example',
    netG=netG,
    dataset_name='cifar10',
    num_subsets=50,
    subset_size=1000,
    evaluate_step=100000,        
    device=device)

# Evaluate inception score
mmc.metrics.evaluate(
    metric='inception_score',
    log_dir='./log/example',
    netG=netG,
    num_samples=50000,
    evaluate_step=100000,        
    device=device)

感觉效果不会很好的样子，未完待续。。。

中间训练过程出现了问题，有参数一直不变，有参数就一直在很小范围内波动，求助啊，希望有人指导一下啊，我训练放了两个类别，一个是人脸，一个是卡通脸

数据存放目录