PyTorch实战CycleGan

1.项目解读

CycleGan代码链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix，如果无法获取，评论区留言。

1.1实现效果

• 实现效果：对图片风格进行迁移，如下。我们只需要输入两种风格的图片就好了，本文例子从斑马迁移到马进行讲解。
  

1.2项目思想

传统Gan，网络定义结构如下，使用随机向量通过生成器生成图像，在用鉴别器鉴别生成的图像与真实图像。注意我们要定义两个损失。一个是实现让鉴别器误以为生成图像为真的loss，损失回传到G网络。另一个是让鉴别器进行真实判断，将生成图像判断为假，将真实图像判别为真的loss，损失回传到D网络。持续优化优化生成器和鉴别器网络，就能实现生成的图像和真实图像非常相似，但是做不到对一种风格迁移到另一种风格。

因为我们由斑马生成的“马”，能很容易的骗过鉴别器，因为真实的图像也是马，所以只用一个生成鉴别网络不行。

• 项目思想：先生成马，再还原马，使用两个生成网络，生成的马与真实的马构建鉴别损失，还原的马与最开始的斑马构建鉴别损失。因此，我们有两个生成网络，两个鉴别网络。
  
  延续这种思路，我们也可以将最开始的斑马换成马。
  

1.3映射损失

• 此外这个项目还加入映射损失，即我生成器由马生成斑马，但是如果我直接输入斑马，那我应该生成和这张斑马一模一样的图像

1.4改进鉴别网络PatchGan

• 鉴别网络改进–PatchGAN，本来我们的鉴别网络只需要进行二分类，即判断图像是真or假，现在我们基于原始特征图的矩阵来判断。即计算卷积后矩阵中每一点的损失。那么真标签就为全1矩阵。如下图：
  
  项目中的主要模块已经讲解完毕，下面我们来看代码

3.代码解读

3.1项目结构

3.1项目运行

你需要下载该项目的数据集，打开项目datasets文件夹，查看download_cyclegan_dataset.sh文件，查看查找URL，即为数据集地址或者你直接点击
http://efrosgans.eecs.berkeley.edu/cyclegan/datasets下载数据集horse2zebra.zip，解压放到datasets文件夹下：

此外你还需要pip 你所缺失的依赖包，一般是缺失

pip install dominate
pip install visidom