WGAN-GP

论文《改进的 Wasserstein GAN 训练方法》的 PyTorch 实现。

前置条件

Python、NumPy、SciPy、Matplotlib
配备最新 NVIDIA GPU 的环境

最新版的 PyTorch 主分支代码

进展

• gan_toy.py：玩具数据集（8 个高斯分布、25 个高斯分布、瑞士卷）。（已于 2017 年 5 月 8 日完成）

• gan_language.py：字符级别的语言模型（判别器使用 nn.Conv1d，生成器也使用 nn.Conv1d。已于 2017 年 6 月 23 日完成。最终完成于 2017 年 6 月 27 日。）

• gan_mnist.py：MNIST 数据集（运行结果已保存，已完成，时间为 2017 年 6 月 26 日。判别器使用 nn.Conv1d，生成器也使用 nn.Conv1d。）

• gan_64x64.py：64×64 架构（欢迎提交 Pull Request）

• gan_cifar.py：CIFAR-10 数据集（特别感谢 robotcator）

结果

• 玩具数据集

  部分示例结果，详细内容请参阅 results/toy/ 文件夹。

  • 8 个高斯分布，训练 154500 次迭代

    

  • 25 个高斯分布，训练 48500 次迭代

    

  • 瑞士卷，训练 69400 次迭代

    

• MNIST 数据集

  部分示例结果，详细内容请参阅 results/mnist/ 文件夹。

  

  

  

  

• 十亿词语言生成（使用 CNN，字符级别）

  经过 8699 个 epoch 后的部分示例结果，详细内容见 sample。

  由于训练非常耗时，我尚未运行足够多的 epoch。

  He moved the mat all out clame t

  A fosts of shores forreuid he pe

  It whith Crouchy digcloued defor

  Pamreutol the rered in Car inson

  Nor op to the lecs ficomens o fe

  In is a " nored by of the ot can

  The onteon I dees this pirder ,

  It is Brobes aoracy of " medurn

  Rame he reaariod to thim atreast

  The stinl who herth of the not t

  The witl is f ont UAy Y nalence

  It a over , tose sho Leloch Cumm

• CIFAR-10 数据集

  部分示例结果，详细内容请参阅 results/cifar10/ 文件夹。

  

致谢

本实现基于 igul222/improved_wgan_training 和 martinarjovsky/WassersteinGAN。

WGAN-GP 快速上手指南

本指南基于 PyTorch 实现的《Improved Training of Wasserstein GANs》论文代码，帮助开发者快速运行玩具数据集、MNIST、CIFAR-10 及字符级语言生成模型。

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
• 硬件要求：NVIDIA GPU（推荐较新型号以加速训练）
• 软件依赖：
  • Python (建议 3.6+)
  • PyTorch (必须为最新的 master 版本)
  • NumPy
  • SciPy
  • Matplotlib

安装步骤

1. 克隆项目

首先从 GitHub 获取源代码：

git clone https://github.com/caogang/wgan-gp.git
cd wgan-gp

2. 安装依赖

建议使用国内镜像源（如清华源）加速 Python 包的安装。

安装基础依赖：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy scipy matplotlib

安装最新版 PyTorch： 由于本项目要求 latest master version，建议通过源码安装或使用官方提供的最新 nightly 版本。

方案 A：使用 pip 安装 nightly 版本（推荐，较快）

pip install --pre torch torchvision -f https://download.pytorch.org/whl/nightly/cu118/torch_nightly.html -i https://pypi.tuna.tsinghua.edu.cn/simple
# 注意：请将 cu118 替换为您实际的 CUDA 版本，如 cu121, cpu 等

方案 B：从源码编译安装（最符合 "master version" 要求，但耗时较长）

git clone https://github.com/pytorch/pytorch
cd pytorch
git submodule update --init --recursive
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
python setup.py install

基本使用

项目提供了多个脚本以针对不同数据集进行训练。进入项目目录后，直接运行对应的 Python 脚本即可。

1. 玩具数据集演示 (Toy Datasets)

测试 8 高斯分布、25 高斯分布或瑞士卷（Swiss Roll）数据生成效果。

python gan_toy.py

运行完成后，生成的样本图片将保存在 results/toy/ 目录。

2. MNIST 手写数字生成

训练并生成 MNIST 手写数字图像。

python gan_mnist.py

运行完成后，生成的样本图片将保存在 results/mnist/ 目录。

3. CIFAR-10 图像生成

训练并生成 CIFAR-10 彩色图像。

python gan_cifar.py

运行完成后，生成的样本图片将保存在 results/cifar10/ 目录。

4. 字符级语言模型 (Character-level Language Model)

基于 Billion Word 数据集进行文本生成训练（使用 CNN 架构）。

python gan_language.py

注意：此任务非常耗时，生成的文本样本将保存为 .txt 文件。

---

提示：训练过程中请监控显存使用情况。如需修改超参数或网络结构，请直接编辑对应的 .py 文件。