“渐进式生成对抗网络（PGGAN）”的 PyTorch 实现

基于 PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION 的 PyTorch 实现
您的贡献对本项目至关重要 :)

与官方论文相比有哪些不同？

• 原文：trans(G)-->trans(D)-->stab / 我的代码：trans(G)-->stab-->transition(D)-->stab
• 不使用 NIN 层。不必要的层（如低分辨率块）会自动被移除并逐步生长。
• 在生成器的 to_rgb_layer 中使用了 torch.utils.weight_norm。
• 无需实现 Celeb A 数据集，只需准备您自己的数据集即可 :)

如何使用？

[步骤 1.] 准备数据集
渐进式 GAN 的作者发布了 CelebA-HQ 数据集，而 Nash 正在基于我 fork 的分支上进行相关工作。对于我的版本，只需确保所有图像都位于您在 Config.py 中声明的文件夹下即可。另外提醒您，如果使用多类别数据集，它们应尽量相似，以免生成结果出现异常。

---------------------------------------------
训练数据文件夹结构应如下：
<train_data_root>
                |--Your Folder
                        |--image 1
                        |--image 2
                        |--image 3 ...
---------------------------------------------

[步骤 2.] 使用 virtualenv 准备环境

• 您可以轻松地使用 virtualenv 设置 PyTorch (v0.3) 和 TensorFlow 环境。
• 注意：如果您在安装 PyTorch 时遇到问题，请使用 pip 手动安装。[PyTorch 安装]
• 请花时间安装 PyTorch 的所有依赖项，并同时安装 tensorflow。

  $ virtualenv --python=python2.7 venv
  $ . venv/bin/activate
  $ pip install -r requirements.txt
  $ conda install pytorch torchvision -c pytorch

[步骤 3.] 开始训练

• 编辑 config.py 来修改参数。（别忘了更改训练图像的路径）
• 指定要使用的 GPU 设备，并在 config.py 中将 “n_gpu” 选项调整为支持多 GPU 训练。
• 运行并享受吧！

  （示例）
  如果使用单 GPU（device_id = 0）：
  $ vim config.py   -->   更改 "n_gpu=1"
  $ CUDA_VISIBLE_DEVICES=0 python trainer.py
  
  如果使用多 GPU（device id = 1,3,7）：
  $ vim config.py   -->   更改 "n_gpu=3"
  $ CUDA_VISIBLE_DEVICES=1,3,7 python trainer.py

[步骤 4.] 在 tensorboard 上展示结果 （目前跳过此部分）

• 您可以在 tensorboard 上查看训练结果。

  $ tensorboard --logdir repo/tensorboard --port 8888
  $ 在浏览器中访问 <host_ip>:8888。

[步骤 5.] 使用线性插值生成假图像

CUDA_VISIBLE_DEVICES=0 python generate_interpolated.py

实验结果

更高分辨率（大于 256x256）的结果将很快更新。

生成的图像

损失曲线

待办事项列表（即将实现）

• 支持 WGAN-GP 损失函数
• 添加训练恢复功能
• 加载 CelebA-HQ 数据集（用于 512x512 和 1024x1024 的训练）

兼容性

• cuda v8.0（如果没有也没关系）
• Tesla P40（可能需要超过 12GB 显存。如果没有，请调整 dataloader.py 中的 batch_table）

致谢

• tkarras/progressive_growing_of_gans
• nashory/progressive-growing-torch
• TuXiaokang/DCGAN.PyTorch

作者

MinchulShin，@nashory

贡献者

DeMarcus Edwards，@Djmcflush
MakeDirtyCode，@MakeDirtyCode
Yuan Zhao，@yuanzhaoYZ
zhanpengpan，@szupzp

pggan-pytorch 快速上手指南

本指南基于 pggan-pytorch 项目，帮助开发者快速搭建环境并运行渐进式生成对抗网络（Progressive Growing GAN）进行图像生成训练。

1. 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 (推荐) 或 macOS
• Python 版本: Python 2.7 (原项目基于此版本，若使用 Python 3 可能需要修改部分代码)
• GPU 支持: NVIDIA GPU (推荐显存 ≥ 12GB，如 Tesla P40；若显存较小需调整 dataloader.py 中的 batch_table)
• CUDA 版本: CUDA 8.0 或更高版本
• 前置依赖:
  • PyTorch (v0.3 或兼容版本)
  • TensorFlow (用于 TensorBoard 可视化)
  • virtualenv

注意：国内用户安装 PyTorch 时，若官方源下载缓慢，可使用清华或中科大镜像源加速。

2. 安装步骤

2.1 创建虚拟环境

建议使用 virtualenv 隔离环境，避免依赖冲突。

# 创建基于 Python 2.7 的虚拟环境
virtualenv --python=python2.7 venv

# 激活虚拟环境
source venv/bin/activate

2.2 安装依赖包

安装项目所需的 Python 依赖库。

# 安装 requirements.txt 中的依赖
pip install -r requirements.txt

2.3 安装深度学习框架

手动安装 PyTorch 和 torchvision。国内用户推荐使用清华镜像源加速安装：

# 使用清华镜像源安装 PyTorch (示例命令，具体版本请参考 pytorch.org 历史版本)
pip install torch==0.3.0 torchvision==0.2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 如果上述命令不适用，也可尝试 conda 安装 (需先安装 Anaconda/Miniconda)
# conda install pytorch torchvision -c pytorch

同时确保已安装 TensorFlow 以支持后续的可视化功能：

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

3. 基本使用

3.1 准备数据集

将您的训练图片整理到同一个文件夹中。注意：所有图片应直接位于该文件夹下，不要包含子目录。如果使用多类别数据，请确保类别间相似度高，以免训练效果不佳。

目录结构示例：

<train_data_root>
    |-- Your Folder
            |-- image 1.jpg
            |-- image 2.png
            |-- image 3.jpg ...

3.2 配置参数

编辑根目录下的 config.py 文件：

1. 修改数据路径指向您准备好的 <train_data_root>/Your Folder。
2. 根据显卡情况设置 n_gpu 参数。

3.3 开始训练

单卡训练示例 (使用设备 ID 0)：

# 编辑 config.py 设置 n_gpu=1
vim config.py

# 启动训练
CUDA_VISIBLE_DEVICES=0 python trainer.py

多卡训练示例 (使用设备 ID 1, 3, 7)：

# 编辑 config.py 设置 n_gpu=3 (对应使用的显卡数量)
vim config.py

# 启动训练
CUDA_VISIBLE_DEVICES=1,3,7 python trainer.py

3.4 查看结果与生成图像

• 可视化监控 (可选)： 训练过程中可通过 TensorBoard 查看损失曲线和生成效果。

  tensorboard --logdir repo/tensorboard --port 8888
  # 在浏览器访问 http://<host_ip>:8888
  

• 生成插值图像： 训练完成后，运行以下脚本生成线性插值的假图像：

  CUDA_VISIBLE_DEVICES=0 python generate_interpolated.py