直接运行嘛？先把–num_workers 设置成0再说，然后batchsize调小，调小，不然：

RuntimeError: [enforce fail at ..\c10\core\CPUAllocator.cpp:76] data. DefaultCPUAllocator: not enough memory: you tried to allocate 19909509120 bytes.

    parser.add_argument('--num_workers', type=int, default=0,  # default=4,
                        help='Number of workers used in DataLoader')

    parser.add_argument('--batch_size', type=int, default=2,  # default=8
                        help='Batch size for training')
    parser.add_argument('--val_batch_size', type=int, default=8,  # default=32
                        help='Batch size for validation')

然后 E M S 跑！
才怪嘞！先来这个位置！在ospj() 后追加format() # 这个函数就相当于os.path.join()的缩写

因为原来的代码拼接路径对于我目前win11的电脑完全无效！

            self.ckptios = [
                CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_nets.ckpt'), data_parallel=True, **self.nets),
                CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_nets_ema.ckpt'), data_parallel=True, **self.nets_ema),
                CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_optims.ckpt'), **self.optims)]
        else:
            self.ckptios = [CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_nets_ema.ckpt'), data_parallel=True, **self.nets_ema)]

            self.ckptios = [
                CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_nets.ckpt'.format(self.args.resume_iter)), data_parallel=True, **self.nets),
                CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_nets_ema.ckpt'.format(self.args.resume_iter)), data_parallel=True, **self.nets_ema),
                CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_optims.ckpt'.format(self.args.resume_iter)), **self.optims)]
        else:
            self.ckptios = [CheckpointIO(ospj(args.checkpoint_dir, '{:06d}_nets_ema.ckpt'.format(self.args.resume_iter)), data_parallel=True, **self.nets_ema)]

然后至少可以让测试的程序正常跑起来了(也就是附加参数如下的sample模式代码)

--mode sample --num_domains 3 --resume_iter 100000 --w_hpf 0 --checkpoint_dir expr/checkpoints/afhq --result_dir expr/results/afhq --src_dir assets/representative/afhq/src --ref_dir assets/representative/afhq/ref

运行成功后会在expr/results/afhq/目录下出现对应的测试图片和视频（如下）

测试代码就不测试了，训练代码看看捏~（也就是按照这个参数输入给main.py开始训练）

--mode train --num_domains 3 --w_hpf 0 --lambda_reg 1 --lambda_sty 1 --lambda_ds 2 --lambda_cyc 1 --train_img_dir ./data/afhq/train --val_img_dir ./data/afhq/val

才怪咧~！我能训练的了它？
本科服务器被端了不好再去用，研导的服务器遇到了和之前一样卡信息交互的问题，自己的电脑和服务器都是垃圾《针对这个网络》
所以大家看看意思就好，实在着急想看示例会产生什么效果可以追加以下两个参数(信息呈现的频率至少能快一点，不过打印图片也会额外消耗时间降低效率《不过咱也不打算训练完是吧哈哈哈！》)

--print_every 2 --sample_every 10

这样就可以比较快速的在\expr\samples下看到如图所示的示例图像(当然，前面这些iter基本没什么用就是了，全是乱码)

KeyboardInterrupt

那我们现在就来愉快的分析die码吧！

首先在先添加参数然后带参数进去main(args)函数

然后这个函数会直接进入一个solver = Solver(args)

而在solver里主要是buile_model()来构建模型 (生成器、映射、编码器、鉴别器)

这些模型都来自core/model.py这里已经是原生pytorch的构建方式了，具体细节和文章内的结构描述一致，细节我就不分析了《都看到init和forward了，那我还用多说什么(╯‵□′)╯︵┻━┻！都在笔记1甩了截图》

然后是Solver在经历buile_model()后还在后面设置了优化器并打印信息（都是Adam，优秀！）

随后出来用Munch拼接src、ref、val 的 DataLoader

这个函数主要是在 core/data_loader.py 里 包括但不限于设置transforms、创建数据集、把数据集扔到DataLoader里输出

数据集实例化的时候除了reference的数据集是自定义的，其他两个都是pytorch定义方式，那么这里大概就是随机抽取的意思(两个同类别随机的图，然后拼成1组之后计算Style diversification Loss就靠它了)

然后出来到3个dataloader都拼装完毕，开始执行训练的部分

        solver.train(loaders)

然后在获取图片的时候，它还把source、reference组合在一起扔到了一个InputFetcher的对象里，通过调用该对象的__next__()方法,获取x_src、y_src、y_ref、 x_ref、x_ref2、 z_trg、z_trg2

然后又在solver.train()中拿出来,大概就是下面这样子的映射关系

然后开始看模型怎么跑，也就是损失怎么计算

那么现在先说一下映射《好吧，这不是映射，但我只能看成映射才好理解，那我就只能先这样理解了，淦！》

补充部分可能有用的信息

• 生成器G 分为编码器和解码器(前面6个InstanceNormalization的算是编码器，只有输入的X独自干活，后面几个adaptive instance normalization的可以看成X和S一起打工，属于解码器部分
• 映射网络F 《它只有一个，会直接按照Z作为输入输出所有风格的一个矩阵
  # (batch, num_domains, style_dim)
  • Y？哈？它就是个类别！只在最后取的时候取出对应风格的信息》《甚至不要它，就让网络输出一个大S矩阵再抽取也完全可以！》

• 样式编码器E，这里的输入Y的作用，，，不能说很像吧，只能说几乎一样！
  也是X进去，按照第一个笔记最后那样的结构，然后输出一个类似映射网络F的矩阵 # (batch, num_domains, style_dim)
  • 《然后Y的左右只是在这些矩阵里面取出来对应类别的！》
• 鉴别器D ？我还能多说什么？这次输出的不一样（变成2维的了）
  (batch, num_domains)
  但是Y的用处完全没变！《只在最后用来抽出来对应的类别》

简单来说就是除了除了生成器确实需要两个输入(一个图像，一个风格)其他这三个网络其实都可以把顺带着人进来的类别Y直接扔了！

然后具体迭代还是之后甩视频补吧，不往这放了