DP-GAN剩余代码

在前面计算完损失后，该进行更新：

1：netEMA是模型的生成器：

遍历生成器的state_dict，将每一个键对应的值乘以EMA_decay。

接着根据当前迭代步数计算num_upd，每1000,2500,10000代倍数就执行一次。


当num_upd大于50就跳出更新EMA。

接着对图片进行上色：

    def visualize_batch(self, model, image, label, cur_iter):
        self.save_images(label, "label", cur_iter, is_label=True)
        self.save_images(image, "real", cur_iter)
        with torch.no_grad():
            model.eval()
            fake = model.netG(label)
            self.save_images(fake, "fake", cur_iter)
            model.train()
            if not self.opt.no_EMA:
                model.eval()
                fake = model.netEMA(label)
                self.save_images(fake, "fake_ema", cur_iter)
                model.train()

首先对标签进行上色：
label即batch是经过one-hot编码后的标签大小为(5,35,256,512)。

接着len(batch）=5，取第一个batch对应的tensor。

进行上色：

首先获得camp：

生成的colormap包含空像素和噪声，一共有36个类别，所以执行else语句。

首先生成一个全为0的列表，大小为(36,3)—>接着遍历每个类别，初始化r=g=b=0—>id = 1—>接着遍历7次，首先将id转换为二进制类型。

def uint82bin(n, count=8):
    """returns the binary of integer n, count refers to amount of bits"""
    return ''.join([str((n >> y) & 1) for y in range(count - 1, -1, -1)])
#y = 7,6,5,4,3,2,1,0

y分别取值为7,6,5,4,3,2,1,0。
将n右移位7位，n为1，则移位后为0，分别移位，只有当y等于0时，不移位，n才为1.最后返回一个字符串’00000001’.
移位操作
分别取str_id的倒数1,2，3位。然后将1,0,0分别左移七位，1左移后变为二进制为1000 0000即128.0左移后还是0，所以r=128,g=b=0.
最后id=1右移3位，变为0.

在j循环里执行8次，则下一次id=0.在uint82bin函数中，0不管位移多少次都为0，且0&1=0，所以最后输出’00000000’.
则r = 128^(0)=128.
因为128=(10000000),0=(00000000),(1异或0=1),(0异或0=0)，所以128^(0)=128。这样执行7次后，将r填充为第一行第一列，g填充为第一行第二列，b填充为第一行第三列。这样执行for循环36次，则camp就会被重新填充一遍。

将camp转换为tensor。生成一个由0填充的(3,256,512)大小的size。同时对label的其中一个batch数据求类别。
tens大小由(35,256,512)变为(1,256,512)。

len(camp)=36，开始label=0时，tens[0]=(256,512)，label==tens[0]会得到一个mask,其中tens中等于0的类别为True，不等于0的为false。

color_image[0]取得color_image第一层R通道，cmap[label][0]为第一行第一列即128，将mask对应的值全部替换为128.同理G和B通道也是这样处理。这样循环36次，将每一个类别都上色。最后输出经过填充的彩色图。

最后将label进行转置，方便cv2保存。
最后将batch剩余的四个图片也进行处理。将五张图放在一个图片上保存到指定位置。

下一步对image处理：



将tens小于0的设置为0，大于1的设置为1.再转置为(h,w,c)格式。

在eval时候，将label输入到生成器中，生成fake image，大小为(5,3,256,512)。将生成的fake image保存起来。

netEMA是对生成器的深拷贝。

下一步计算训练一个batch所需要的时间：

将epoch，总epoch,当前迭代，所花费的时间写到progress.txt文件中，并打印出来。



下一步：

通过控制latest,best来保存权重。


最重要看一下FID计算：比较麻烦，到时候重新开一章。