PyTorch 中的 SN-GAN（谱归一化生成对抗网络）

基于 Takeru Miyato、Toshiki Kataoka、Masanori Koyama 和 Yuichi Yoshida 的论文《用于生成对抗网络的谱归一化》

ICLR 2018 预印本： https://openreview.net/forum?id=B1QRgziT-

CIFAR-10 样本

实现细节

此代码实现了类似 DCGAN 和 ResNet 的 GAN 架构。此外，还支持使用标准损失、Wasserstein 损失和铰链损失进行训练。

为了让 ResNet 正常工作，初始化方法（Xavier/Glorot）被证明非常重要。

训练

使用铰链损失训练 ResNet 生成器和判别器：python main.py --model resnet --loss hinge

使用 Wasserstein 损失训练 ResNet 生成器和判别器：python main.py --model resnet --loss wasserstein

使用交叉熵损失训练 DCGAN 生成器和判别器：python main.py --model dcgan --loss bce

pytorch-spectral-normalization-gan 快速上手指南

本指南帮助开发者快速在 PyTorch 中部署基于谱归一化（Spectral Normalization）的生成对抗网络（SN-GAN），支持 DCGAN 和 ResNet 架构。

环境准备

• 操作系统：Linux / macOS / Windows
• Python 版本：推荐 Python 3.6+
• 核心依赖：
  • PyTorch (建议 1.0+)
  • torchvision
  • numpy
  • scipy
  • Pillow

国内加速建议：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。

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

安装步骤

1. 克隆项目仓库

   git clone https://github.com/christiancosgrove/pytorch-spectral-normalization-gan.git
   cd pytorch-spectral-normalization-gan
   

2. 安装剩余依赖 如果已安装 PyTorch，仅需安装其他基础库：

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

   (注：若项目中无 requirements.txt 文件，请手动执行 pip install numpy scipy Pillow)

基本使用

该项目支持多种模型架构（ResNet, DCGAN）与损失函数（Hinge, Wasserstein, BCE）的组合。确保当前目录包含训练数据集（默认为 CIFAR-10，代码会自动下载）。

1. 训练 ResNet 架构（推荐）

使用 Hinge Loss 进行训练（论文推荐配置）：

python main.py --model resnet --loss hinge

使用 Wasserstein Loss 进行训练：

python main.py --model resnet --loss wasserstein

2. 训练 DCGAN 架构

使用标准的 交叉熵损失 (BCE) 进行训练：

python main.py --model dcgan --loss bce

注意事项

• 初始化重要性：在使用 ResNet 架构时，Xavier/Glorot 初始化对模型收敛至关重要，代码中已默认集成。
• 显存要求：ResNet 架构相比 DCGAN 需要更多的 GPU 显存，如遇显存不足可尝试减小 batch size（需修改 main.py 或添加相应参数支持）。