之前推荐过一个基于 TensorFlow 的 GAN 框架 - 谷歌开源的 GAN 库 - TFGAN https://mp.weixin.qq.com/s/Kd_nsit-JMaEjT5o8rEkKQ .
而最近也有一个新的 GAN 框架工具, 并且是基于 Pytorch 实现的, 项目地址如下:
https://github.com/torchgan/torchgan
对于习惯使用 Pytorch 框架的同学, 现在可以采用这个开源项目快速搭建一个 GAN 网络模型了!
目前该开源项目有 400+ 星, 它给出了安装的教程, API 文档以及使用教程, 文档的地址如下:
https://torchgan.readthedocs.io/en/latest/
安装
对于 TorchGAN 的安装, 官网给出 3 种方法, 但实际上目前仅支持两种安装方式, 分别是 pip 方式安装以及源码安装, 采用 conda 安装的方法目前还不支持.
Pip 安装方法
安装最新的发布版本的命令如下:
$ pip3 install torchgan
而如果是最新版本:
$ pip3 install Git+https://github.com/torchgan/torchgan.git
Conda 安装
这是目前版本还不支持的安装方式, 将会在 v0.1 版本实现这种安装方法.
源码方式安装
按照下列命令的顺序执行来进行从源码安装
- $ Git clone https://github.com/torchgan/torchgan
- $ cd torchgan
- $ python setup.py install
依赖库
必须按照的依赖库:
- Numpy
- Pytorch 0.4.1
- Torchvision
可选
TensorboardX: 主要是为了采用 Tensorboard 来观察和记录实验结果. 安装通过命令
pip install tensorboardX
Visdom: 为了采用 Xisdom 进行记录. 安装通过命令 pip install visdom
API 文档
API 的文档目录如下:
从目录主要分为以下几个大类:
torchgan.layers: 包含当前常用的用于构建 GAN 结构的一些网络层, 包括残差块, Self-Attention, 谱归一化 (Spectral Normalization) 等等
torchgan.logging: 提供了很强的可视化工具接口, 包括对损失函数, 梯度, 测量标准以及生成图片的可视化等
torchgan.losses: 常见的训练 GANs 模型的损失函数, 包括原始的对抗损失, 最小二乘损失, WGAN 的损失函数等;
torchgan.metrics: 主要是提供了不同的评判测量标准
torchgan.models: 包含常见的 GAN 网络结构, 可以直接使用并且也可以进行拓展, 包括 DCGAN,cGAN 等
torchgan.trainer: 主要是提供训练模型的函数接口
教程
教程部分如下所示:
教程给出了几个例子, 包括 DCGAN,Self-Attention GAN,CycleGAN 例子, 以及如何自定义损伤的方法.
对于 Self-Attention GAN, 还提供了一个在谷歌的 Colab 运行的例子, 查看链接:
小结
最后, 再给出 GitHub 项目的链接和文档的对应链接地址:
https://github.com/torchgan/torchgan
来源: http://www.tuicool.com/articles/j6VV3uZ