Unsupervised text-to-image synthesis代码

Options

base_options.py

action=‘store_false’

self._parser.add_argument('--CUDA', action='store_false')

https://blog.csdn.net/sinat_36197913/article/details/103314345

pseudo_infer.py

sys.argv[2]

PseudoInfer(sys.argv[2])

Python3 中 sys.argv[ ]的用法解释

sys.argv其实可以看作是外部输入的一个列表，所以才能用[]提取其中的元素。
其第一个元素是程序本身，随后才依次是外部给予的参数。
sys.argv[2] 相当于于外部输入的第一个参数

train.py

忽略warning

import warnings
warnings.filterwarnings('ignore')

Utils

beam_search

Beam Search（集束搜索）是一种启发式图搜索算法，通常用在图的解空间比较大的情况下，为了减少搜索所占用的空间和时间，在每一步深度扩展的时候，剪掉一些质量比较差的结点，保留下一些质量较高的结点。这样减少了空间消耗，并提高了时间效率。

算法的工作流程如下：

使用广度优先策略建立搜索树，在树的每一层，按照启发代价对节点进行排序，然后仅留下预先确定的个数（Beam Width-集束宽度,B来限制在每一层的遍历时存储该层的节点数量 ）的节点，仅这些节点在下一层次继续扩展，其他节点就被剪掉了。

1. 将初始节点插入到list中，
2. 将给节点出堆，如果该节点是目标节点，则算法结束；
3. 否则扩展该节点，取集束宽度的节点入堆。然后到第二步继续循环。
4. 算法结束的条件是找到最优解或者堆为空。

eg：

PriorityQueue

from queue import PriorityQueue

PriorityQueue是一种特殊的队列，满足队列的“队尾进、队头出”条件，但是每次插入或删除元素后，都对队列进行调整，使得队列始终构成最小堆（或最大堆）。

具体调整如下：

• 插入元素后，从堆底到堆顶调整堆；
• 删除元素后，将队尾元素复制到队头，并从堆顶到堆底调整堆。

PriorityQueue采用数组实现，也是一棵完全二叉树，构成堆结构

优先队列，有别于普通队列的先入先出，也有别于栈的先入后出。在实现上，它一般通过堆这一数据结构，而堆其实是一种完全二叉树，它会对进入容器的元素进行排序（根据事先指定的规则），出队的顺序则会是二叉树的根结点代表的元素。

例子：
python标准库PriorityQueue类介绍

topK问题
topK问题是指：从海量数据中寻找最大的前k个数据，比如从1亿个数据中，寻找最大的1万个数。

使用优先队列，能够很好的解决这个问题。先使用前1万个数构建最小优先队列，以后每取一个数，都与队头元素进行比较，若大于队头元素，就将队头元素删除，并将该元素添加到优先队列中；若小于队头元素，则将该元素丢弃掉。如此往复，直至所有元素都访问完。最后优先队列中的1万个元素就是最大的1万个元素。

unsqueeze

pytorch的unsqueeze和unsqueeze_的使用

pytorch入门（七）：unsqueeze

unsqueeze用来改变Tensor的维度，把低维的Tensor变为高维的Tensor。如3×4的Tensor，变为1×3×4、3×1×4、3×4×1的Tensor。
squeeze(n)的参数n指定新维度的位置。