深度学习（33）——CycleGAN（2）

完整项目在在这里：欢迎造访

文章目录

深度学习（33）——CycleGAN（2）

数据格式：

1. Generator

self.netG_A = networks.define_G(opt.input_nc, opt.output_nc, opt.ngf, opt.netG, opt.norm, not opt.no_dropout, opt.init_type, opt.init_gain, self.gpu_ids)
特征提取部分使用backbone是resnet（可选择的，可以换其他模型做backbone）

上采样一共9个ResNet Block
下采样部分

2. Discriminator

self.netD_A = networks.define_D(opt.output_nc, opt.ndf, opt.netD, opt.n_layers_D, opt.norm, opt.init_type, opt.init_gain, self.gpu_ids)
在上一节说过，discriminator就是一个辨别真假的二分类模型，输入还是一张三通道的图像，最终判断这张图片是真是假。
在这里插入图片描述

3. fake pool

用于保存生成的fake image
self.fake_A_pool = ImagePool(opt.pool_size)

4. loss定义

self.criterionGAN = networks.GANLoss(opt.gan_mode).to(self.device)  # define GAN loss.MSE
self.criterionCycle = torch.nn.L1Loss()
self.criterionIdt = torch.nn.L1Loss()

GANLoss 根据gan_mode定义，此处为MSELoss

5. 模型参数量

在这里插入图片描述

6. debug 记录

set_input(input): 得到real_A，real_B
optimize_parameters(): 计算loss做反向传播
- forward(): 生成fake_A,fake_B,rec_A,rec_B
  - generatorA先根据real_A生成fake_B
  - generatorB使用fake_B生成rec_A
  - generatorB根据real_B生成fake_A
  - generatorA使用fake_A生成rec_B
- backward_G():反向传播
  - 计算identity_loss：generatorA是输入real_A得到fake_B的，那现在输入real_B是不是也可以生成和real_B差不多，将这个生成的命名为idt_A，idt_A和real_B之间会存在identity_loss，同理idt_B和real_A之间也存在identity_loss
  - 计算generator_loss：generatorA生成的feak_B的loss，我们是希望feak_B是骗过discriminatorA的，所以希望discriminatorA认为是真的A，所以这里将fake_B与True做MSEloss，同理希望discriminatorB认为fake_A是真的B
  - 计算cycle_loss：real_A经过generatorA生成fake_B,fake_B经过经过generatorB返回生成rec_A，计算这样循环生成的A和真实A之间的loss，B也同理。
  - 最终的generator_loss是上面三者的和，因为有AB之分，所以一共有6项self.loss_G = self.loss_G_A + self.loss_G_B + self.loss_cycle_A + self.loss_cycle_B + self.loss_idt_A + self.loss_idt_B
- backward_D_A(): 计算discriminator_A的loss
- backward_D_B(): 计算discriminator_B的loss

注

当optimizer generator的时候discriminator设置为无梯度，不反向传播。 self.set_requires_grad([self.netD_A, self.netD_B], False)

就酱，欢迎提问讨论，886~