使用残差网络与wgan制作二次元人物头像：训练过程详解

最新推荐文章于 2024-04-22 09:40:45 发布

dlage

最新推荐文章于 2024-04-22 09:40:45 发布

阅读量1.9k

点赞数 1

分类专栏： gan 文章标签：网络计算机视觉 python

本文链接：https://blog.csdn.net/zphuangtang/article/details/122159876

版权

4 篇文章 0 订阅

订阅专栏

项目地址：https://github.com/dlagez/gan_resnet

我们进入到代码中解析

首先这个网络由三部分文件组成。一个train，一个model，一个loss。

整体的文件布局：

使用debug来详细查看网络运行的情况。如下设置即可进行debug

只需要在这几个地方打上断点即可查看网络运行的流程：

前面的参数调式的时候查看一下就行，这里有几个重要的参数需要记录一下。

imgs = (8, 3, 64, 64)

把这一批次的图像送进D网络，D网络会输出一个二维的数组。

表示一个批次有8张64*64的RGB图像。这八张图像经过D网络之后就变成了8行一列的二维数组了。里面具体的流程是怎么样的看下一篇笔记。

在这里插入图片描述

noise = torch.randn(opt.batchSize, opt.nz)
noise = noise.to(device)
fake = netG(noise)  # 生成假图

这里是使用了batchSize生成了一个批量的噪声。一个nz（噪声）如下图所示，是一个一维、含有100个点的噪声，我们生成八个噪声丢进G网络，G网络就会生成对应的八张图片（fake），每张图片的大小为3*64*64。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fGYC8qCL-1640520108621)(https://cdn.jsdelivr.net/gh/dlagez/img@master/image-20211220134037973.png)]

lossD = criterion(outputreal, outputfake)
lossD.backward()
optimizerD.step()

fake与真实图片丢进D网络得到的数组outputfake,outputreal。损失函数使用他们进行梯度的更新。

推荐阅读：link

关注