先看数据集

dataset = DataLoader(opt)

还是 UnalignedDataset
主要变动是这里
self.dirs = sorted(glob.glob(datapath)) 在原本的datapath下遍历对应不同风格的目录
self.paths = [sorted(make_dataset(d)) for d in self.dirs] 储存在self.paths里
self.sizes = [len(p) for p in self.paths] 存放每类的长度

然后在 def __getitem__(self, index): 中
本质上没有特别大变换.并不是一次拿出来4个,而是一次拿出来两个随机的(大雾!)
DA, DB = random.sample(range(len(self.dirs)), 2) 随机获取0~N-1的索引值比如这里是四类就是0~3中间的两个数
index_A = random.randint(0, self.sizes[DA] – 1) 获取该类别下的一个索引
A_img, A_path = self.load_image(DA, index_A) 通过类别和索引获取A图片和路径信息
bundle = {‘A’: A_img, ‘DA’: DA, ‘path’: A_path} 打包组成字典
B图同上, 不过
bundle.update( {‘B’: B_img, ‘DB’: DB} ) 没有添加B图的路径B_path,有点怪,不过本来也没用的上不管了

然后进模型：

model = ComboGANModel(opt)

其实主要变动只是这里
定义网络结构

train.py	model = ComboGANModel(opt)	实例化ComboGAN的模型类
models/combogan_model.py	class ComboGANModel(BaseModel)	主要需要看的是定义生成器 self.netG = networks.define_G
models/networks.py	def define_G()	生成器定义函数,主要是个组合参数的工具函数返回生成好的 plex_netG 对象给 self.netG
models/networks.py	class G_Plexer(Plexer):	真正的生成器定义函数 ~~生成器复用器~~ n_domains 风格数量字面意思一个int encoder 编码器类 ResnetGenEncoder enc_args 编码器参数元组 enc_args decoder 解码器类 ResnetGenDecoder dec_args 解码器参数元组 dec_args
models/networks.py	class ResnetGenEncoder() class ResnetGenDecoder()	编码器和解码器定义使用的类定义方式很原生torch,就不细讲了简单来说就是一个model数组不断叠,最后甩个序列化
models/networks.py	class ResnetBlock()	言简意赅……

define_G()内部
1. 首先选择norm_layer
1. n_blocks_enc 定义编码器残差快数量
2. n_blocks_dec 定义解码器残差快数量
1. dup_args 相关dropout,norm_layer,bias等参数元组格式
2. enc_args 编码器参数元组格式
3. dec_args 解码器参数元组格式
1. plex_netG = G_Plexer() 进行定义(好家伙才开始) 然后看右面
1. 设置有关cuda,权重初始化等并返回 plex_netG 对象

G_Plexer(Plexer)内部
1. encoders 通过 encoder 和 enc_args 配合组成一个n_domains长度的列表
2. decoders 同上
3. networks 把 encoders 和 decoders 合并

定义生成器后定义鉴别器self.netD
这个就不细说了,因为它根本没改就是之前CycleGAN的 NLayerDiscriminator
大概也是self.netD > define_D() > D_Plexer > NLayerDiscriminator

但是这里有一部分我没有看懂,该函数分为一个model_gray和一个model_rgb两个都有这个问题
这里我以model_rgb举例

 (model_rgb): SequentialOutput(
    (0): Sequential(
      (0): Conv2d(3, 64, kernel_size=(4, 4), stride=(2, 2), padding=(2, 2))
      (1): PReLU(num_parameters=1)
    )
    (1): Sequential(
      (0): Conv2d(64, 129, kernel_size=(4, 4), stride=(2, 2), padding=(2, 2))
      (1): InstanceNorm2d(129, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
      (2): PReLU(num_parameters=1)
    )  # ------output------
    (2): Sequential(
      (0): Conv2d(128, 257, kernel_size=(4, 4), stride=(2, 2), padding=(2, 2))
      (1): InstanceNorm2d(257, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
      (2): PReLU(num_parameters=1)
    )  # ------output------
    (3): Sequential(
      (0): Conv2d(256, 513, kernel_size=(4, 4), stride=(2, 2), padding=(2, 2))
      (1): InstanceNorm2d(513, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
      (2): PReLU(num_parameters=1)
    )  # ------output------
    (4): Sequential(
      (0): Conv2d(512, 512, kernel_size=(4, 4), stride=(1, 1), padding=(2, 2))
      (1): InstanceNorm2d(512, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
      (2): PReLU(num_parameters=1)
      (3): Conv2d(512, 1, kernel_size=(4, 4), stride=(1, 1), padding=(2, 2))
    )
  )
)  # ------output------

如果没记错,stride>1有裕量时向下取整
出 = floor((入-核+2*边)/步)+1

首先是自带函数中刻意错开了通道
可以很明显看出, 如果是 1,3,156,256的输入
conv2d(3,64) > 1,64,129,129
conv2d(64,129) > 1,129,65,65
conv2d(128,257) > 1,257,33,33
conv2d(256,513) > 1,513,17,17
conv2d(512,512) > 1,512,18,18
conv2d(512,1) > 1,1,19,19
这每个都是特意+1错开一个让我十分看不懂

而且后面输出的时候会直接经过这个序列化对象直接出4个数组，分别是(当然，在经历一次在维度1的拼接，第一维度的长度会变成2倍)
1,65,65
1,33,33
1,17,17
1,19,19
我怀疑这种刻意不匹配会导致在左式标记 # ——output—— 部分输出的
(当然,不一定准),而且作者并没有仔细论述这里如此处理的必要性!

This is 《The discriminators remain untouched in your experiment》？！

定义损失函数

criterionCycle	torch.nn.SmoothL1Loss() 简单来说就是介于L1和MSE之间的一个损失函数, 损失小于某值使用MSE计算,损失大于某值使用L1计算
*criterionIdt	经过调整的 torch.nn.SmoothL1Loss() 本质同上 # 需要 –lambda_identity 设置为非 0 元素
*criterionLatent	经过调整的 torch.nn.SmoothL1Loss()本质同上 # 两个中间经过编码后的(BN,256.64.64)数组求损失
criterionGAN	GANLoss() 和本质我看了一下代码经过了魔改不过本质还是个可以根据真图和伪图计算的MSE

但是部分地方出现了问题，criterionLatent想使用，必须要求lambda_enc大于0
疑惑,为啥还特意×0，是怕使用这个损失嘛？那我就不试毒了

定义优化器

均为Adam 没什么多说的,直接引用的函数

最后进迭代

额，怎么说呢，默认是不使用idt的前向G的时候
包括了 criterionGAN 和 criterionCycle 代替 G_Loss 和 Cycle_Loss
当前向D的时候
直接用 criterionGAN 代替 D_Loss

这个我觉得之后视频会更仔细说说，等做出来再说咯