GAN模型的PyTorch代码

这是使用相同卷积架构实现的三种不同GAN模型的PyTorch版本。

• DCGAN（深度卷积GAN）
• WGAN-CP（采用权重裁剪的Wasserstein GAN）
• WGAN-GP（采用梯度惩罚的Wasserstein GAN）

依赖项

主要使用的包包括：

• numpy
• scikit-learn
• tensorflow 2.5.0
• pytorch 1.8.1
• torchvision 0.9.1

要快速便捷地安装所有依赖项，可以使用__pip__命令：

pip install -r requirements.txt

训练

在Fashion-MNIST数据集上运行DCGAN模型的训练：

python main.py --model DCGAN \
               --is_train True \
               --download True \
               --dataroot datasets/fashion-mnist \
               --dataset fashion-mnist \
               --epochs 30 \
               --cuda True \
               --batch_size 64

在CIFAR-10数据集上运行WGAN-GP模型的训练：

python main.py --model WGAN-GP \
               --is_train True \
               --download True \
               --dataroot datasets/cifar \
               --dataset cifar \
               --generator_iters 40000 \
               --cuda True \
               --batch_size 64

启动TensorBoard：

tensorboard --logdir ./logs/

潜在空间漫步

在两个随机潜在向量z之间进行10个随机点的插值，结果显示生成的样本具有平滑的过渡效果。

         

MNIST、Fashion-MNIST、CIFAR-10的生成示例

Inception得分

关于Inception得分

         

实用资源

• WGAN Reddit讨论帖
• 博客文章
• 反卷积与棋盘伪影
• WGAN-CP论文
• WGAN-GP论文
• DCGAN论文
• 使用PyCharm和SSH远程工作

pytorch-wgan 快速上手指南

本指南帮助开发者快速部署并运行基于 PyTorch 的三种 GAN 模型（DCGAN、WGAN-CP、WGAN-GP）。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：建议 Python 3.6+
• 核心依赖：
  • numpy
  • scikit-learn
  • tensorflow (2.5.0，用于计算 Inception Score)
  • pytorch (1.8.1)
  • torchvision (0.9.1)
• 硬件建议：推荐使用 NVIDIA GPU 并安装 CUDA 以加速训练（代码中通过 --cuda True 启用）。

国内加速提示：建议使用清华或阿里镜像源安装依赖，以提升下载速度。

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

安装步骤

1. 克隆项目代码

   git clone <repository_url>
   cd pytorch-wgan
   

   (注：请将 <repository_url> 替换为实际的仓库地址)

2. 安装依赖包 使用 pip 一键安装所有所需库：

   pip install -r requirements.txt
   

基本使用

该项目支持在 Fashion-MNIST 和 CIFAR-10 等数据集上训练不同的 GAN 模型。以下是两个最典型的运行示例。

1. 训练 DCGAN 模型 (Fashion-MNIST 数据集)

运行以下命令启动训练，程序会自动下载数据集并开始迭代：

python main.py --model DCGAN \
               --is_train True \
               --download True \
               --dataroot datasets/fashion-mnist \
               --dataset fashion-mnist \
               --epochs 30 \
               --cuda True \
               --batch_size 64

2. 训练 WGAN-GP 模型 (CIFAR-10 数据集)

WGAN-GP 通常需要进行更多次数的生成器迭代以获得稳定结果：

python main.py --model WGAN-GP \
               --is_train True \
               --download True \
               --dataroot datasets/cifar \
               --dataset cifar \
               --generator_iters 40000 \
               --cuda True \
               --batch_size 64

3. 查看训练日志

训练过程中产生的日志和指标可以通过 TensorBoard 进行可视化监控：

tensorboard --logdir ./logs/

启动后，在浏览器访问显示的本地地址（通常为 http://localhost:6006）即可看到损失曲线和生成样本的演变过程。