还是直接看代码吧，最然但是，能跑，但是在显示上遇到了一大堆问题，典型集中于visdom的可视化问题上，刚开始以为是因为换电脑自己第一次上没访问外网的问题，后来发现还是不太对劲《因为跑visdom的可以正常出图，但是依旧会源源不断的报304!》
INFO:tornado.access:304 GET /favicon.png
INFO:tornado.access:304 GET /extensions/MathMenu.js?V=2.7.1
INFO:tornado.access:304 GET /extensions/MathZoom.js?V=2.7.1
然后啊然后，嗯就这样吧，反正可以正常跑了
重点在看模型结构，第三方库的细节是什么？我不知道
首先看readme.md
1.环境安装
- 安装PyTorch和相关依赖，嗯~
- 安装Torch vision？还得源码编译？为什么啊？现在安torch已经自带安装这个了
- 安装visdom和dominate # 烫知识:现在用conda安装visdom可以直接因依赖项把dominate安装好
- 克隆此项目
git clone https://github.com/AAnoosheh/ComboGAN.git
cd ComboGAN2.数据集
根据文档提示下载数据集? sh文件建议和之前一样咯,
直接打开datasets/download_dataset.sh复制里面的 https://data.vision.ee.ethz.ch/cvl/combogan/ 加上 他们提供的数据集名称,也就是这两个
https://data.vision.ee.ethz.ch/cvl/combogan/alps_seasons.zip
https://data.vision.ee.ethz.ch/cvl/combogan/painters_14.zip当然下载完后直接解压到datasets目录下类似该种目录结构 # 不这样也行,只要后面调parser就行了
3.设置脚本
然后来看看如何进行训练,真的,train脚本简直和CycleGAN一致,完美诠释了 Code was built upon CycleGAN
那肯定还是老样子,打开config
下面是我的配置 # 不在visdom展示图像,单纯训练
--name 4season --dataroot ./datasets/alps_seasons/ --n_domains 4 --niter 10 --niter_decay 2 --nThreads 0 --save_epoch_freq 2 --display_freq 10 --print_freq 10| parser | parameter | annotate |
|---|---|---|
| –name | 4season | 储存在checkpoints下的名称 |
| –dataroot | ./datasets/alps_seasons/ | 数据集目录 |
| –n_domains | 4 | 有多少类(比如季节数据集是四类这里就设成了4) |
| –niter | 10 | 跑多少遍数据集(推荐50*domain,即200,但是我这里只是浅尝辄止就不了) #虽然我感觉这个名称很不对劲,iter和epoch并不是一个东西 |
| –niter_decay | 2 | 经历多少轮迭代进行一次学习率衰减 |
| –nThreads | 0 | 默认是2线程,但是win上多线程会出毛病就一致调成0线程了 # CycleGAN在我之前的笔记本都没调成功,这还敢用多线程? |
| –save_epoch_freq | 2 | 跑多少遍数据集保存一次pth文件,反正我嘛 |
| –display_freq | 10 | 多少个iter展示一遍目前的图片(抽取) |
| –print_freq | 10 | 多少个iter展示一遍目前的损失 |
那么这样就可以愉快的运行了
但是如果想要愉快的在训练过程中可视化捏~ 需要把上面的设置再修改一下
--name 4season --dataroot ./datasets/alps_seasons/ --n_domains 4 --niter 10 --niter_decay 2 --nThreads 0 --save_epoch_freq 2 --display_freq 10 --print_freq 10 --display_id 1| –display_id | 1 | 展示到visdom服务器上的窗口ID号, 默认是0不显示,如果设置该参数>0, the results and loss plot will appear on a local graphics web server launched by visdom |
| –no_html | False | 保持默认值就行 # 烫知识:在add_argument函数中,如果没有设置default 一致设定为bool值False 如果设置成True,将不会把结果保存至 [opt.checkpoints_dir]/[opt.name]/web/ 里 |
然后熟练的在terminal启动visdom,并打开默认网址 http://localhost:8097
python -m visdom.server随后运行train.py就可以愉快的训练了,哦等等~优美的visdom拒绝我们如此除暴无礼
首先 修改train.py中的变量 dataset_size > float(len(dataset))
说实话我不是特别清楚为什么这个变量在master代码里没有定义,变成需要的就行了
visualizer.plot_current_errors(epoch, float(epoch_iter)/dataset_size, opt, errors)visualizer.plot_current_errors(epoch, float(epoch_iter)/float(len(dataset)), opt, errors)然后 去 util/visualizer.py文件中的plot_current_errors()中的 左式 修改为 右式
原代码
X=np.stack([np.array(self.plot_data['X'])]*len(self.plot_data['legend']),1),
Y=np.array(self.plot_data['Y']),
修改 # 可以跑,但依旧不是一个正经修改方案
X=np.repeat(np.stack([np.array(self.plot_data['X'])]*len(self.plot_data['legend']),1),4,axis=0),
Y=np.transpose(np.squeeze(np.array(self.plot_data['Y']))).reshape(-1,3),本质上出现的问题是以上两行代码产出的 X{ndarry(N,3)} Y{ndarry(N,3,4)} np.ndim(Y) = 3 # 这里N我表示经历几次显示,可能有出入,但是总之会出大问题!,4是风格数量,因为我用的是季节数据集是4,如果是艺术家数据得改成14(似乎opt.niter更合适,算了算了,适可而止,不改了)
由于中途出错后调试了几遍,发现visdom要求 X的dim为1或2 且 X的形状要求与Y相同
右面的修改方法都是把两个numpy数组修改成{ndarry(3,4*N)}
这个调整绝对不是正常的,甚至我无法保证每一个值都可以对的上,大概率是对不上的! 函数中self.plot_data[‘legend’]只有3个(而不是3*风格数量),我也很绝望啊!
这样的结果就是每次显示会出现3条线,而且是竖线,包含了所有风格种类的区间,并且每个连接线都是不对应的(只能连一条,以这些画plot的软件只会线性穿串串的智商……)
但总之是能跑了《虽然可以很明显看的出来这三条线是对不上的！》
# 预训练内容不是我该写在这里的《因为我暂时用不到》,秉承闭源的思维我建议大家去阅读论文作者的github说明文档最后一段~
