【毕设】基于CycleGAN的风格迁移【一】环境搭建及运行代码

源代码地址：CycleGAN源码

因为该篇内容包含Anaconda的环境管理及包的管理，可以选择参考：Anaconda安装+环境管理+包管理+实际演练例子（全网最详细）_MrRoose1的博客-CSDN博客

一、搭配环境

1.首先把代码包下载并解压到本地（我是直接放到桌面）。

2.打开Anaconda prompt，先切换路径到代码包解压的路径中。

3. 然后通过使用作者的环境包来搭建设定好的环境，输入：

conda env create -f environment.yml

 随后产生一个叫pytorch-CycleGAN-and-pix2pix的环境名称。我们可以通过输入：

conda info --envs

来查看已有的虚拟环境名称。

 4.由于CycleGAN源码中用到了visdom，但此时pytorch-CycleGAN-and-pix2pix环境中却没有visdom这个包，我们需要手动安装。先进入到pytorch-CycleGAN-and-pix2pix虚拟环境中，输入：

activate pytorch-CycleGAN-and-pix2pix

 再通过pip来安装visdom，输入：

pip install -r requirements.txt

注：期间会有一些提示，显示一些包的版本，那些不用管，因为pip中的requirement.txt与conda中的environment.yml之间有一些包版本不一致，但不耽误我们搭配环境哈，你们按照我的步骤来，保准没问题。 

上述就是先把基础环境搭配好了

二、数据集下载

从解压后的代码包中，找到download_cyclegan_dataset.sh文件

（我的地址是：D:\桌面\pytorch-CycleGAN-and-pix2pix-master\datasets\download_cyclegan_dataset.sh）

通过记事本打开，找到

其中复制’$‘前面的地址并打开：（地址：Index of /cyclegan/datasets）

以我为例，下载horse2zebra这个压缩包，把这个数据集解压并保存在解压后的代码包的dataset文件中（我的地址：D:\桌面\毕业设计-图像风格迁移\Neural-Style-GAN\pytorch-CycleGAN-and-pix2pix-master\pytorch-CycleGAN-and-pix2pix-master\datasets） 

此时数据集和环境已经准备好了，我们可以打开pycharm进行最后的参数调试。

三、调用Visdom及运行pycharm前的参数搭建

Train.py

首先需要参考Pycharm中如何配置已有的环境_MrRoose1的博客-CSDN博客把刚刚在anaconda中安装的pytorch-CycleGAN-and-pix2pix虚拟环境配置在pycharm中。

随后由下图可得，如果想保证训练正常运行，得先python -m visdom.server，启动服务器（可以，有tensorboard那味儿了）

那就在terminal开一下，如下图所示

 注：我后期把代码包转移位置，放到了桌面一个名叫毕业设计-风格迁移内部的一个叫Neural-Style-GAN文件夹中，此时代码包的路径是 （D:\桌面\毕业设计-图像风格迁移\Neural-Style-GAN\pytorch-CycleGAN-and-pix2pix-master\pytorch-CycleGAN-and-pix2pix-master）

从图片中我们可以看到“It's Alive!”代表启动成功，点击terminal中的地址，就可以在train代码的时候看见页面的变化（此时还没有run代码，所以页面内啥也看不到）。

最后看一下这个训练参数设置

python train.py --dataroot ./datasets/horse2zebra --name horse2zebra_cyclegan --model cycle_gan

这里说一下以前没说的，类似这种附加参数在pycharm里打开文件后(注意现在活跃的脚本和你想添加参数的脚本要一致，比如我们要添加train文件中的参数，那我们就应该注意红色框内的文件名是否是train) run/Edit Configurations/

打开然后把后面的参数塞到里面，当然，因为数据集不同，所以需要稍微改改

--dataroot ./datasets/horse2zebra --name horse2zebra_cyclegan --model cycle_gan

然后直接训练。

（可能会出现的问题）

第一个

UserWarning: Argument interpolation should be of type InterpolationMode instead of int. Please, use InterpolationMode enum.
“Argument interpolation should be of type InterpolationMode instead of int. “

关于这个问题，在网上找了一圈，在base_dataset添加InterpolationMode，并代替PIL.Image。
你说它没事插什么值啊！

from torchvision.transforms import InterpolationMode

定位到dataset的transform里(base_dataset.py)，添加引用，然后改一下

def get_transform(opt, params=None, grayscale=False, method=Image.BICUBIC, convert=True):

原81行

def get_transform(opt, params=None, grayscale=False, method=InterpolationMode.BICUBIC, convert=True):

改81行

第二个

UserWarning: Detected call of lr_scheduler.step() before optimizer.step(). In PyTorch 1.1.0 and later, you should call them in the opposite order: optimizer.step() before lr_scheduler.step(). Failure to do this will result in PyTorch skipping the first value of the learning rate schedule.

这说的就很明白了，就是说pytorch1.1.0之后，优化器的更新要放到学习率更新的前面，定位到就在train里（还好这俩玩意没被放一块）把学习率更新扔后面

        # model.update_learning_rate()    # update learning rates in the beginning of every epoch.

注释掉train43行

        model.update_learning_rate()    # update learning rates in the ending of every epoch.

放到78行运行完一个epoch后

然后就应该没问题可以正常运行了。

Test.py

我们可以下载作者已经训练好的模型来直接上手跑。地址：Index of /cyclegan/pretrained_models

 这里我下载的是horse2zebra.pth文件。随后在解压后的代码包中找到checkpoints文件夹，在里面新建一个叫{name}_pretrained的文件夹（其中{name}此时是horse2zebra）,把下载好的文件重命名为latest_net_G.pth，并保存在{name}_pretrained（horse2zebra_pretrained）中。

 然后与train.py训练一样，添加pycharm参数即可（text.py不需要开启visdom）

--dataroot datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout

 注：这里稍微注意一下dataroot中的路径，最后的是testA，为什么不是testB呢，因为这个模型是马转换成斑马的单向转换模型，textA中全都是马的数据集，而testB中都是斑马的数据集。

test.py运行后的结果（风格迁移后的图片）在D:\桌面\毕业设计-图像风格迁移\Neural-Style-GAN\pytorch-CycleGAN-and-pix2pix-master\pytorch-CycleGAN-and-pix2pix-master\results\horse2zebra_pretained\test_latest\images路径中查询。