cycleGAN代码实现（附详细代码注释）

2022-08-18 16:33:00 阅读：148 来源： 互联网

标签：channels features nn cycleGAN 代码注释 num self size

最近刚刚入门深度学习，试着复现cycleGAN代码。看了一个YouTube博主的cycleGAN代码，自己跟着写了一遍，同时加上了代码注释，希望能帮到同样的入门伙伴

下面的github地址

RRRRRBL/CycleGAN-Detailed-notes-: 内含cycleGAN代码，且有详细代码注释 (github.com)
在这里给出一个生成器的代码

import torch
import torch.nn as nn

class ConvBlock(nn.Module):
def init(self, in_channels, out_channels, down=True, use_act=True, kwargs): # down：下采样，act：激活，kwargs字典参数
super().init()
self.conv = nn.Sequential( # 卷积块，可以完成下采样卷积或者保持原size卷积
nn.Conv2d(in_channels, out_channels, padding_mode='reflect', **kwargs)
if down
else nn.ConvTranspose2d(in_channels, out_channels, **kwargs),
nn.InstanceNorm2d(out_channels), # 标准化
nn.ReLU(inplace=True) if use_act else nn.Identity() # identity不会做任何操作
)

def forward(self, x):
    return self.conv(x)

class ResidualBlock(nn.Module): # 残差块，不改变size
def init(self, channels):
super().init()
self.block = nn.Sequential(
ConvBlock(channels, channels, kernel_size=3, padding=1),
ConvBlock(channels, channels, use_act=False, kernel_size=3, padding=1)
)

def forward(self, x):
    return x + self.block(x)  # 残差块儿

class Generator(nn.Module):
def init(self, img_channels, num_features=64, num_residuals=9, ): # num_features是通道数的一个公约数,num_residuals残差层数
super(Generator, self).init()
self.initial = nn.Sequential( # 初始化
nn.Conv2d(img_channels, num_features, kernel_size=7, stride=1, padding=3, padding_mode='reflect'),
nn.InstanceNorm2d(num_features),
nn.ReLU(inplace=True), # 原地激活
)
self.down_blocks = nn.ModuleList( # 下采样（增加通道数，减小img尺寸
[
ConvBlock(num_features, num_features * 2, kernel_size=3, stride=2, padding=1),
ConvBlock(num_features * 2, num_features * 4, kernel_size=3, stride=2, padding=1),

        ]
    )
    self.residual_block = nn.Sequential(  # 残差块儿（不改变大小
        *[ResidualBlock(num_features * 4) for _ in range(num_residuals)]
        # *4是因为之前的各类操作得到的变量channel已经是4
        # 是4*num_featurs了，这里调用了九次残差块儿，进行训练，大小一直不变
    )
    self.up_blocks = nn.ModuleList(  # 上采样block channels减小，img变大
        [
            ConvBlock(num_features * 4, num_features * 2, down=False, kernel_size=3, stride=2, padding=1,
                      output_padding=1),
            ConvBlock(num_features * 2, num_features * 1, down=False, kernel_size=3, stride=2, padding=1,
                      output_padding=1),

        ]
    )
    self.last = nn.Conv2d(num_features * 1, img_channels, kernel_size=7, stride=1, padding=3,
                          padding_mode='reflect')

def forward(self, x):
    x = self.initial(x)  # 初始化
    for layer in self.down_blocks:
        x = layer(x)
    x = self.residual_block(x)
    for layer in self.up_blocks:
        x = layer(x)
    return torch.tanh(self.last(x))

'''
观察代码不难发现，在整个生成器的生成过程中，用到的还是简单基础的知识，只是在一些处理选择上比较特殊
代码利用了残差神经网络和卷积神经网络集合的方式进行训练
def test():
img_channels = 3
img_size = 256
x = torch.randn((2, img_channels, img_size, img_size))
gen = Generator(img_channels, 9)
print(gen(x).shape)

if name == "main":
test()
'''

标签：channels,features,nn,cycleGAN,代码,注释,num,self,size
来源： https://www.cnblogs.com/RBLstudying/p/16599150.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

cycleGAN代码实现（附详细代码注释）