自述文件

HyperGAN 1.0

一个为开发者、研究人员和艺术家打造的可组合生成对抗网络。

HyperGAN 处于预发布和公开测试阶段。

由 examples/colorizer 生成的标志

更多内容请访问 hypergan 的 YouTube 频道

目录

• 简介
• 文档
• 更新日志
• 快速入门
  • 要求
  • 安装
  • 训练
• API
  • 使用已训练的 HyperGAN 模型
  • 训练 GAN
  • 示例
  • 教程
• pip 包 hypergan
  • 训练
  • 采样
  • 附加参数
  • 在 CPU 上运行
  • 故障排除
  • 开发模式
• 数据集
  • 创建数据集
  • 可下载的数据集
  • 清理数据
• 特性
• 展示
• 赞助商
• 贡献
• 版本控制
• 引用

关于

HyperGAN 使用 PyTorch 构建生成对抗网络，并使其易于训练和分享。

有关 GAN 的一般介绍，请参阅 http://blog.aylien.com/introduction-generative-adversarial-networks-code-tensorflow/

加入社区 Discord。

文档

• Gitbook 文档

更新日志

完整的更新日志请见：Changelog.md

快速入门

要求

操作系统：Windows、OSX、Linux

用于训练：

显卡：Nvidia，推荐 GTX 1080 或更高

安装

1. 安装 HyperGAN 对于用户：pip3 install hypergan

对于开发者：下载此仓库并运行 python3 setup.py develop

2. 进行测试

• hypergan train preset:celeba -s 128x128x3

3. 加入社区

• 当你创造出一些有趣的东西时，请务必在 Discord 上分享（https://discord.gg/t4WWBPF）。

创建新模型

  hypergan new mymodel

这将基于默认配置创建一个 mymodel.json 文件。你可以使用 -c 标志来更改配置模板。

列出配置模板

  hypergan new mymodel -l

使用 --list-templates 或 -l 可查看所有配置模板。

训练

  hypergan train folder/ -s 32x32x3 -c mymodel --resize

API

import hypergan as hg

请注意，该 API 目前仍在 1.0 版本中开发中。如果您在 1.0 版本发布之前阅读本文，请参考示例。

更多详细信息请参阅 Gitbook 文档。

使用已训练的 HyperGAN 模型

my_gan = hg.GAN('model.hypergan')
batch_sample = my_gan.sample()

训练 GAN

gan = hg.GAN("default.json", inputs=hg.inputs.ImageLoader(...))
trainable_gan = hg.TrainableGAN(gan)
for step in trainable_gan.train():
    print("I'm on step ", step)

示例

请参阅示例：https://github.com/hypergan/HyperGAN/tree/master/examples

教程

请参阅教程：https://hypergan.gitbook.io/hypergan/tutorials

pip 包 hypergan

pip install hypergan

训练

  # 在包含 PNG 图像的文件夹上训练一个 32x32 的 GAN，批次大小为 32
  hypergan train [folder] -s 32x32x3 -b 32 --config [name]

采样

  hypergan sample [folder] -s 32x32x3 -b 32 --config [name] --sampler batch_walk --save_samples

默认情况下，HyperGAN 不会将训练样本保存到磁盘。要更改此设置，请使用 --save_samples。

附加参数

要查看详细列表，请运行

  hypergan -h

在 CPU 上运行

你可以通过以下命令切换后端：

  hypergan [...] -B cpu

请勿在 CPU 上进行训练！速度太慢了。

故障排除

请确保你的 CUDA、NVIDIA 驱动程序、Pillow、PyTorch 和 PyTorch Vision 均为最新版本。

如需帮助，请查看 Discord。

开发模式

如果你想修改 HyperGAN

git clone https://github.com/hypergan/hypergan
cd hypergan
python3 setup.py develop

请务必 pip3 uninstall hypergan 以避免版本冲突。

数据集

要构建一个新的网络，你需要一个数据集。

创建数据集

HyperGAN 中的数据集设计得非常容易创建。只需使用一个包含图像的文件夹即可。嵌套文件夹也可以使用。

清理数据

HyperGAN 能够很好地处理各种不干净的数据。默认情况下，图像会被调整大小，必要时还会进行裁剪。

使用 --nocrop、--random_crop 和 --resize 可获得更多图像缩放选项。

特性

1.0 版本中的功能列表：

• API
• CLI
• 查看器 - 一个 Electron 应用程序，用于探索和创建模型
• 跨平台 - Windows、OSX、Linux
• 推理 - 将 AI 内容生成添加到你的项目中
• 训练 - 使用加速的并行训练后端训练自定义模型
• 分享 - 相互分享构建好的模型。可以作为 HyperGAN 模型用于 Python 项目，或作为 ONXX 模型用于任何项目
• 可定制 - 在 JSON 中定义自定义架构，或用你自己的 PyTorch 模型替换任何组件
• 数据 - 专为处理不干净的数据和多种数据类型而设计
• 无监督学习
• 无监督对齐 - 将一个分布对齐到另一个分布，或发现新的独特分布
• 迁移学习
• 在线学习

展示

1.0 版本的模型仍在训练中

请通过拉取请求提交你的展示！

更多信息请访问 中的 #showcase 频道。

赞助商

我们现在接受财务赞助。赞助者可以选择在此处列出。

https://github.com/sponsors/hypergan

贡献

我们欢迎并感谢您的贡献！我们在“问题”选项卡中有许多开放的问题。请加入 Discord。

请参阅 如何贡献。

版本控制

HyperGAN 采用语义化版本控制。http://semver.org/

简而言之：x.y.z

• x 在发布稳定公开版本时递增。
• y 在出现破坏性 API 变更时递增。这包括配置文件的更改以及图结构的变更。
• z 在非破坏性 API 变更时递增。z 的变更允许重新加载已保存的图。

引用

  HyperGAN 社区
  HyperGAN, (2016-2020+), 
  GitHub 仓库, 
  https://github.com/HyperGAN/HyperGAN

HyperGAN 不提供任何担保或支持。

HyperGAN 快速上手指南

HyperGAN 是一个基于 PyTorch 构建的可组合生成对抗网络（GAN）框架，专为开发者、研究人员和艺术家设计，旨在简化 GAN 的训练、共享与部署。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS (OSX), 或 Linux
• 硬件要求（训练用）：推荐使用 NVIDIA GPU (GTX 1080 或更高版本)。
  • 注意：虽然支持 CPU 运行，但训练速度极慢，仅建议用于调试。
• 软件依赖：
  • Python 3
  • CUDA 驱动及 NVIDIA 显卡驱动（需为最新版本）
  • PyTorch 及 Torchvision（需为最新版本）
  • Pillow

安装步骤

1. 安装 HyperGAN

普通用户安装： 直接使用 pip 安装稳定版：

pip3 install hypergan

(国内用户若下载缓慢，可尝试指定清华源：pip3 install hypergan -i https://pypi.tuna.tsinghua.edu.cn/simple)

开发者安装（源码模式）： 如果您需要修改框架源码或参与贡献：

git clone https://github.com/hypergan/hypergan
cd hypergan
# 先卸载可能存在的 pip 版本以避免冲突
pip3 uninstall hypergan 
python3 setup.py develop

2. 验证安装

安装完成后，可以通过查看帮助文档确认安装成功：

hypergan -h

基本使用

1. 创建新模型配置

创建一个基于默认配置的模型文件（例如 mymodel.json）：

hypergan new mymodel

如需查看所有可用的配置模板，可运行：

hypergan new mymodel -l

2. 训练模型

准备一个包含图片的文件夹（支持嵌套子文件夹），然后运行训练命令。 以下示例将使用 mymodel 配置，训练尺寸为 32x32x3 的模型，并自动调整图片大小：

hypergan train folder/ -s 32x32x3 -c mymodel --resize

• folder/：存放训练图片的目录路径。
• -s：指定输入图像尺寸 (宽 x 高 x 通道数)。
• -c：指定使用的配置文件名称。
• --resize：自动缩放图片以适应指定尺寸。

(快速测试：您可以直接运行官方预设进行体验：hypergan train preset:celeba -s 128x128x3)

3. 生成样本 (Sampling)

训练完成后，使用以下命令从模型中生成新图像：

hypergan sample [model_folder] -s 32x32x3 -b 32 --config mymodel --sampler batch_walk --save_samples

• --save_samples：默认情况下样本不会保存到磁盘，添加此参数可将生成的图片保存下来。

4. Python API 调用

您也可以直接在 Python 代码中加载和训练模型：

加载已训练好的模型：

import hypergan as hg

my_gan = hg.GAN('model.hypergan')
batch_sample = my_gan.sample()

从头开始训练：

import hypergan as hg

# 初始化 GAN
gan = hg.GAN("default.json", inputs=hg.inputs.ImageLoader(...))
# 包装为可训练对象
trainable_gan = hg.TrainableGAN(gan)

# 开始训练循环
for step in trainable_gan.train():
    print("I'm on step ", step)