GAN稳定性

本仓库包含论文《哪些GAN训练方法确实能够收敛？》（Which Training Methods for GANs do actually Converge?）补充材料中的实验。

如需引用本工作，请使用以下格式：

@INPROCEEDINGS{Mescheder2018ICML,
  author = {Lars Mescheder and Sebastian Nowozin and Andreas Geiger},
  title = {Which Training Methods for GANs do actually Converge?},
  booktitle = {International Conference on Machine Learning (ICML)},
  year = {2018}
}

更多详情请访问我们的项目页面：GAN训练的收敛性与稳定性。

使用说明

首先下载数据并将其放置在./data文件夹中。

要训练新模型，先创建一个类似于./configs文件夹中提供的配置脚本。然后可以使用以下命令训练模型：

python train.py PATH_TO_CONFIG

要计算模型的Inception Score并生成样本，使用：

python test.py PATH_TO_CONFIG

最后，您还可以通过以下命令创建精美的潜在空间插值：

python interpolate.py PATH_TO_CONFIG

或

python interpolate_class.py PATH_TO_CONFIG

预训练模型

我们还提供了若干预训练模型。

您可以使用这些模型进行采样，只需运行：

python test.py PATH_TO_CONFIG

其中PATH_TO_CONFIG为以下配置文件之一：

configs/pretrained/celebA_pretrained.yaml
configs/pretrained/celebAHQ_pretrained.yaml
configs/pretrained/imagenet_pretrained.yaml
configs/pretrained/lsun_bedroom_pretrained.yaml
configs/pretrained/lsun_bridge_pretrained.yaml
configs/pretrained/lsun_church_pretrained.yaml
configs/pretrained/lsun_tower_pretrained.yaml

我们的脚本会自动下载模型检查点并执行生成任务。生成结果将保存在output/pretrained文件夹中。

同样，您也可以使用interpolate.py和interpolate_class.py脚本来为预训练模型生成插值。

请注意，*_pretrained.yaml配置文件仅用于生成，不能用于训练新模型：当使用这些配置进行训练时，模型将从头开始训练，但在推理阶段，代码仍会使用预训练模型。

注意事项

• 当使用指数移动平均时，目前不支持批归一化，因为移动平均仅基于模型参数计算，而未考虑模型的其他缓冲区。

结果

celebA-HQ

Imagenet

GAN_stability 快速上手指南

本指南基于论文《Which Training Methods for GANs do actually Converge?》的官方实现，旨在帮助开发者快速复现实验、训练模型及生成高质量图像样本。

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：Linux (推荐) 或 macOS
• Python 版本：Python 3.6+
• 深度学习框架：PyTorch (建议安装与 CUDA 版本匹配的最新版)
• 其他依赖：
  • yaml (用于解析配置文件)
  • scipy, numpy, pillow (图像处理与科学计算)
  • tqdm (进度条显示)

提示：国内用户建议使用清华源或阿里源加速 Python 包安装：

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

(注：若仓库根目录无 requirements.txt，请手动安装上述列出的常用库)

安装步骤

1. 克隆仓库

   git clone https://github.com/LMescheder/GAN_stability.git
   cd GAN_stability
   

2. 准备数据集 下载所需数据集（如 CelebA-HQ, ImageNet, LSUN 等），并将数据放入项目根目录下的 ./data 文件夹中。

   mkdir -p data
   # 请将下载好的数据集解压至此目录
   

3. 配置训练脚本 参考 ./configs 文件夹中现有的配置文件，创建一个新的 .yaml 配置文件，根据您的需求调整数据路径、网络架构及超参数。

基本使用

1. 训练新模型

使用自定义的配置文件启动训练过程：

python train.py PATH_TO_CONFIG

将 PATH_TO_CONFIG 替换为您创建的配置文件路径，例如 configs/my_experiment.yaml。

2. 评估模型与生成样本

训练完成后（或使用预训练模型时），计算 Inception Score 并生成图像样本：

python test.py PATH_TO_CONFIG

生成的图片将保存在输出目录中。

3. 潜在空间插值

生成平滑的潜在空间插值动画或图像序列：

# 普通插值
python interpolate.py PATH_TO_CONFIG

# 类别条件插值（适用于类条件模型）
python interpolate_class.py PATH_TO_CONFIG

4. 使用预训练模型

本项目提供了多个数据集的预训练模型（CelebA, ImageNet, LSUN 系列）。运行以下命令可自动下载权重并生成样本：

# 示例：使用 CelebA-HQ 预训练模型
python test.py configs/pretrained/celebAHQ_pretrained.yaml

支持的预训练配置包括：

• configs/pretrained/celebA_pretrained.yaml
• configs/pretrained/celebAHQ_pretrained.yaml
• configs/pretrained/imagenet_pretrained.yaml
• configs/pretrained/lsun_bedroom_pretrained.yaml
• configs/pretrained/lsun_bridge_pretrained.yaml
• configs/pretrained/lsun_church_pretrained.yaml
• configs/pretrained/lsun_tower_pretrained.yaml

注意：*_pretrained.yaml 配置文件仅用于推理（生成/插值）。若将其用于 train.py，模型将从头开始训练，但在推理阶段代码仍会尝试加载预训练权重。

注意事项

• Batch Normalization 限制：当使用指数移动平均（Exponential Running Average）时，当前版本不支持 Batch Normalization。因为移动平均仅应用于模型参数，未涵盖 BN 层的其他缓冲区（buffers）。