StarGAN多数据集训练

我们进行多数据集训练时，引入了掩码向量mask vector，我们引入一个掩码向量m，允许StarGAN忽略未知的标签。

在用多个数据集训练时把mask向量添加到生成器中，生成器G忽略未指定的标签(零向量)，并关注给定的标签。除了输入标签的维度外，生成器的结构与单个数据集的训练完全相同。
因为训练涉及两个数据集，所以在训练时，判别器每次只针对当前已知的标签，来最小化分类误差。例如，当训练是基于CelebA时，判别器最小化的目标只是与CelebA属性相关的分类误差。通过在CelebA和Fer2013之间交替变换，判别器学到了两个数据集上的所有特征。

def label2onehot(self, labels, dim):
        """将标签索引转换为一个one-hot量。"""
        batch_size = labels.size(0)
        out = torch.zeros(batch_size,