windows中tensorflow实现CycleGAN_cyclegan爆内存

目录

CycleGAN的原理（转）

CycleGAN与DCGAN的对比（转）

CycleGAN与pix2pix模型的对比（转）

在TensorFlow中实验CycleGAN（实战过程）

环境：tensorflow-gpu(此代码在cpu版本训练时间太长，最好用gpu版本)

python 3.6.8

Data preparing

Training

Export model

Inference

参考

---

CycleGAN是在2017年3月底放在arxiv（地址：[1703.10593] Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks）的一篇文章，同一时期还有两篇非常类似的DualGAN和DiscoGAN，简单来说，它们的功能就是：自动将某一类图片转换成另外一类图片。

这篇文章主要分成三个部分：

• CycleGAN的原理解析（转）
• CycleGAN与原始的GAN、DCGAN、pix2pix模型的对比（转）
• 如何在TensorFlow中用CycleGAN训练模型（windows）(原创)

CycleGAN的原理（转）

我们之前已经说过，CycleGAN的原理可以概述为：将一类图片转换成另一类图片。也就是说，现在有两个样本空间，X和Y，我们希望把X空间中的样本转换成Y空间中的样本。

因此，实际的目标就是学习从X到Y的映射。我们设这个映射为F。它就对应着GAN中的生成器，F可以将X中的图片x转换为Y中的图片F(x)。对于生成的图片，我们还需要GAN中的判别器来判别它是否为真实图片，由此构成对抗生成网络。设这个判别器为 。这样的话，根据这里的生成器和判别器，我们就可以构造一个GAN损失，表达式为：

参考：GAN学习指南：从原理入门到制作生成Demo。

但单纯的使用这一个损失是无法进行训练的。原因在于，映射F完全可以将所有x都映射为Y空间中的同一张图片，使损失无效化。对此，作者又提出了所谓的“循环一致性损失”（cycle consistency loss）。

我们再假设一个映射G，它可以将Y空间中的图片y转换为X中的图片G(y)。CycleGAN同时学习F和G两个映射，并要求