第1章 概述
1.1 代碼架構與總體思路
1.2 本章基本思路
（1）Pycharm進行調試，替代指令行或Jupter
（2）選擇所需要硬碟空間小的資料進行測試
（3）熟悉pytorch-CycleGAN-and-pix2pix項目的使用
（4）熟悉CycleGAN模型訓練
1.3 訓練方式
-
- 從頭開始訓練
- 從預預訓練模型開始訓練（官網提供的預訓練模型隻包括G網絡，不包括D網絡）
- 從上次訓練結果開始訓練
第2章 測試步驟
第1步：下載下傳或克隆pytorch-CycleGAN-and-pix2pix所有代碼
如果已經完成，可以跳過此步驟。
（1）Linux 指令行方式：!git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
（2）Windows浏覽器下載下傳：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
備注：
- 可以把代碼下載下傳或拷貝到jupter的工作目錄中，以便後續可以通過jupter運作代碼。
第2步：切換目前目錄
（1）運作方式
-
- Windows 指令行方式：cd xxx
- jupter方式：
import os
os.chdir('pytorch-CycleGAN-and-pix2pix/')
- Pycharm: 把工程檔案copy到Pycharm工作目錄中即可
第3步：安裝依賴檔案（可視化工具）
如果已經完成，可以跳過此步驟。
- Windows 指令行方式
pip install -r requirements.txt
- Jupter方式
!pip install -r requirements.txt
torch>=0.4.1
torchvision>=0.2.1
dominate>=2.3.1
visdom>=0.1.8.3
第4步：下載下傳CycleGAN資料集
（1）下載下傳方式
- Linux 指令行方式
bash ./datasets/download_pix2pix_dataset.sh facades
- Jupter方式
!bash ./datasets/download_pix2pix_dataset.sh facades
- Windows浏覽器方式
根據./datasets/download_cyclegan_dataset.sh的内容，擷取資料集URL， 通過URL手工下載下傳：
https://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/
備注：
- 這裡選擇horse2zebra：馬到斑馬的轉換。
（2）資料集的存放路徑
- 存放路徑：pytorch-CycleGAN-and-pix2pix\datasets
備注：必須同名，不能改名
（3）支援的小型資料集
-
- summer2winter_yosemite：夏天轉換成冬天
- horse2zebra：馬到斑馬的轉換
- apple2orange：蘋果到橙子的轉換
- facades：建築物的轉換
- mini：min資料的馬到斑馬的轉換
第5步：下載下傳預訓練模型
（1）下載下傳方式
- Linux指令行方式
bash ./scripts/download_cyclegan_model horse2zebra
- jupter方式
!bash ./scripts/download_cyclegan_model horse2zebra
- Windows方式
根據download_cyclegan_model.sh腳步的内容，擷取連結：
http://efrosgans.eecs.berkeley.edu/cyclegan/pretrained_models/
（2）存放路徑
./checkpoints/{xxx}/latest_net_G.pth
xxx為模型名稱。
備注：
-
- 需要把模型的名稱，改為latest_net_G.pth，并存放在{xxx}目錄中，這與使用預訓練模型進行測試是不一樣的。
- 官方的預訓練模型，隻有G網絡的參數，沒有D網絡的參數，是以基本上需要重新訓練。
- cyclegan模型分為生成模型與還原模型，展現在不同的方向上。
第6步：啟動可視化工具visdom
（1）啟動visdom server
conda info -e
conda activate pytorch-gpu-os
python -m visdom.server
（2）啟動visdom Client
http://localhost:8097
第7步：模型訓練
（1）CPU方式（僅用于學習代碼）運作
--dataroot ./datasets/horse2zebra --name horse2zebra --model cycle_gan --gpu_ids -1 --niter_decay 1 --niter 1 --display_freq 1 --update_html_freq 1 --print_freq 10 --save_epoch_freq 5 --save_latest_freq 100
-
- --gpu_ids -1：表示使用CPU進行訓練。
- -print_freq 1：每疊代多少次，在終端上列印一次提示資訊, 預設100.
- -display_freq 1：每疊代多少次，在visdom用戶端可視化一次圖像，預設400
- --update_html_freq 1：每疊代多少次，更新一次html輸出檔案，預設1000.
- --save_epoch_freq 5： 每疊代多少次，存儲一次模型參數
- --save_latest_freq 100：每疊代多少次，存儲一次模型參數
- --niter 1：疊代的epoch次數， 預設100
- --niter_decay 1：疊代的epoch次數，對學習率進行一次衰減，預設100，總的epoc=niter + niter_decay + 1
備注：
-
- 該項目，采用GPU訓練時，需要>8G的GPU記憶體，如果GPU條件不滿足，在學習代碼流程時，可以使用CPU進行訓練
- 之是以修改這些預設參數，是因為CPU的訓練太慢，不利于學習的效率。
（2）GPU方式（适用于正式訓練模型）
--dataroot ./datasets/horse2zebra --name horse2zebra --model cycle_gan
備注：
在GPU的情況下，使用預設的參數。
（3）重頭訓練與基于先前的訓練結果繼續訓練
--continue_train ：如果設定，則基于先前的訓練結果繼續訓練，如果不設定，則從頭開始訓練。
第8步：效果展示
（1）控制台列印顯示
initialize network with normal
initialize network with normal
initialize network with normal
model [CycleGANModel] was created
---------- Networks initialized -------------
[Network G_A] Total number of parameters : 11.378 M
[Network G_B] Total number of parameters : 11.378 M
[Network D_A] Total number of parameters : 2.765 M
[Network D_B] Total number of parameters : 2.765 M
-----------------------------------------------
Setting up a new session...
create web directory ./checkpoints\horse2zebra\web...
(epoch: 1, iters: 10, time: 7.274, data: 2.156) D_A: 0.963 G_A: 1.139 cycle_A: 5.456 idt_A: 1.779 D_B: 1.407 G_B: 1.843 cycle_B: 3.542 idt_B: 2.495
(epoch: 1, iters: 20, time: 7.448, data: 0.000) D_A: 1.839 G_A: 2.499 cycle_A: 6.618 idt_A: 1.988 D_B: 0.768 G_B: 0.592 cycle_B: 3.989 idt_B: 3.224
......
（2）visdom圖形化顯示
- loss
- 訓練結果
第9步：輸出檔案
（1）圖檔檔案：
目錄：
- pytorch-CycleGAN-and-pix2pix\checkpoints\horse2zebra\web\images
（2）模型檔案：
目錄：
- pytorch-CycleGAN-and-pix2pix\checkpoints\horse2zebra\
-
- latest_net_D_A.pth
- latest_net_D_B.pth
- latest_net_G_A.pth
- latest_net_G_B.pth