联系方式：robbiebarrat (at) gmail (dot) com

art-DCGAN

基于Soumith Chintala的torch实现对DCGAN的修改版本，专注于生成艺术作品。

示例 / 预训练网络

由于GitHub的特性以及预训练网络超过100MB的大小，你需要点击链接才能获取这些预训练模型，但绝对值得。以下是一些示例及其生成效果。在使用任何模型输出时，请注明我的贡献。无论是否经过修改，都请勿出售这些预训练模型的输出。如有任何疑问，请在采取任何行动前先与我联系。

抽象风景GAN

下载权重！

目前还没有抽象风景的下载链接。请向下滚动至底部，了解如何从常规风景网络中训练出自己的模型（需要在训练后期切换数据集）。

风景GAN

下载权重！

生成器 (CPU)

判别器 (CPU)

裸体肖像GAN

下载权重！

生成器 (CPU)

判别器 (CPU)

肖像GAN

下载权重

生成器 (CPU)

判别器 (CPU)

最显著的改动包括：

• 图像尺寸翻倍——现为128×128，而非之前的64×64（两个网络均增加了一层）

• 支持从检查点恢复训练（只需传入-netG=[网络路径]和-netD=[网络路径]）。这一功能不仅方便，还允许你在训练过程中先用一组图像进行训练，随后再切换到另一组图像继续训练。例如，你可以先训练一个风景网络，然后短暂地切换到抽象风格的数据集以生成抽象风景画（详见“从检查点恢复”部分），这相当于GAN中的风格迁移。

• 包含了一个简单的Shell脚本，用于保持检查点文件夹的整洁——适合在训练GAN时持续运行。默认情况下，该脚本会为每个实验名称分别保留判别器和生成器最近的5个检查点。

• 添加了一个Python 3脚本（utils/genre-scraper.py），可轻松从WikiArt网站抓取图片，并将其转换为GAN可用的格式。

• 增加了一个脚本（utils/gpu2cpu.lua），用于将GPU上训练的检查点转换为可在CPU上使用的模型。

• 附带了多个预训练的GAN模型（.t7文件），能够生成多种类型的图像，包括128×128分辨率的风景油画、128×128分辨率的裸体油画等，具体见下文。

使用方法：

前置条件：

参阅INSTALL.md

一般使用方法：

使用方式与Soumith的原版相同，唯一的区别在于可以从检查点加载模型，以及本项目自带了一个艺术作品抓取工具。

从WikiArt抓取图像

genre-scraper.py脚本可以根据艺术作品的流派从WikiArt网站抓取相关图像。使用方法非常简单。 在genre-scraper.py中有一个名为genre_to_scrape的变量——只需将其修改为此页面上列出的任意流派名称，或直接使用genre_to_scrape定义后注释中提供的大量选项之一。

使用Python 3运行该程序后，系统会创建一个以你选择的流派命名的文件夹，其中包含一个名为“images/”的子目录，里面存放所有抓取到的jpg格式图片。只需将GAN的DATA_ROOT指向你所选流派的文件夹即可（例如，如果我想训练风景画，只需将genre_to_scrape改为“landscape”，然后运行GAN并将DATA_ROOT设置为“landscape”）。

在一个图像文件夹上训练 GAN

开始训练

DATA_ROOT=myimages dataset=folder ndf=50 ngf=150 th main.lua

你可以自由调整 ndf（判别器第一层的滤波器数量）和 ngf（生成器第一层的滤波器数量），不过建议生成器的滤波器数量是判别器的两倍左右，以防止判别器过于强大而压制生成器，因为生成器的任务要困难得多。

请注意，在训练时还可以传递以下参数：

batchSize=64              -- 批量大小 - 不过超过 128 后效果并不理想...
noise=normal, uniform     -- 只需选择其中一个。看起来正态分布的效果更好。
nz=100                    -- Z 的维度数
nThreads=1                -- 数据加载线程数
gpu=1                     -- 使用的 GPU 编号
name=experiment1          -- 为了避免覆盖已有的成果，可以用这个参数更改检查点文件名

从检查点恢复训练

DATA_ROOT=myimages dataset=folder netD=checkpoints/your_discriminator_net.t7 netG=your_driscriminator_net.t7 th main.lua

在这里，即使你传递 ndf 和 ngf 参数也不会有任何效果——因为网络已经从检查点中加载了。从检查点恢复训练并在不同的数据集上继续训练，可能会产生非常有趣的效果。下面展示了一个在风景图像上训练的 GAN，随后在一个半轮次内转而学习抽象艺术：

使用预训练网络生成图像

net=your_generator_net.t7 th generate.lua

非常简单……希望如此。需要注意的是，在生成图像时也可以传递以下参数：

batchSize=36                      -- 生成多少张图像 - 输出不带边框时，请保持为 6 的倍数。
imsize=1                          -- 图像的大小（单位不是像素！）
noisemode=normal, line, linefull  -- 只需选择其中一个。如果选择 line，则 batchSize 应大于 1，且 imsize 也应设为 1。
name=generation1                  -- 为了避免覆盖已有的成果，可以用这个参数更改文件名

更多可传递的参数请参阅未修改网络的页面——不过我认为这里已经包含了比较重要的选项####

即将推出

• 预训练网络：花卉绘画、城市景观（如果你有建议，请在公开议题中留言！）
• 制作穿越潜在空间的动画 GIF
• 也许会开发一个用于整个项目的图形用户界面……

art-DCGAN 快速上手指南

art-DCGAN 是基于 Soumith Chintala 的 DCGAN Torch 实现修改而成的版本，专注于生成艺术作品（如风景画、肖像画等）。主要改进包括支持 128x128 高分辨率图像生成、断点续训功能以及 WikiArt 数据集爬虫工具。

环境准备

本项目基于 Torch (Lua) 框架开发，非 Python 原生项目。请确保满足以下系统要求：

• 操作系统: Linux 或 macOS (Windows 需通过 WSL 或 Docker 运行)
• 核心依赖:
  • Torch (LuaJIT 2.1 + LuaRocks)
  • CUDA (如需 GPU 加速训练)
  • Python 3 (仅用于 utils/genre-scraper.py 图片爬取脚本)
• 前置知识: 熟悉基本的 Linux 命令行操作及 Torch 框架基础。

注意: 原文未提供中国镜像源。国内用户安装 Torch 时若遇网络问题，建议配置 LuaRocks 国内镜像或使用离线安装包。

安装步骤

1. 克隆项目代码

   git clone https://github.com/robbiebarrat/art-DCGAN.git
   cd art-DCGAN
   

2. 安装依赖包 根据官方 INSTALL.md 指引，安装所需的 Torch 包（通常包含 nn, image, optim, cunn, cudnn 等）。

   luarocks install nn
   luarocks install image
   luarocks install optim
   # 如有 GPU，继续安装 cuda 相关包
   luarocks install cunn
   luarocks install cudnn
   

3. 准备预训练模型（可选） 如果直接使用预训练模型生成图像，需手动下载权重文件（因文件大于 100MB，GitHub 未直接收录）。

   • 访问 README 中提供的 Google Drive 链接下载 .t7 文件（Generator 和 Discriminator）。
   • 将下载的文件放入项目目录或指定路径。
   • 提示: 若模型是在 GPU 上训练的，在 CPU 运行时需先运行转换脚本：

     th utils/gpu2cpu.lua your_gpu_model.t7
     

基本使用

1. 获取训练数据（使用内置爬虫）

项目提供了一个 Python 脚本，可从 WikiArt 按流派抓取图片。

• 编辑 utils/genre-scraper.py，修改变量 genre_to_scrape 为目标流派（例如 "landscape"）。
• 运行脚本：

  python3 utils/genre-scraper.py
  

  脚本将创建以流派命名的文件夹，并在其下生成 images/ 子目录存放 JPG 图片。

2. 训练模型

假设你已准备好名为 myimages 的图像文件夹（包含 images/ 子目录），运行以下命令开始训练：

DATA_ROOT=myimages dataset=folder ndf=50 ngf=150 th main.lua

关键参数说明：

• ndf: 判别器第一层滤波器数量。
• ngf: 生成器第一层滤波器数量（建议设为 ndf 的 2 倍左右，以防判别器过早压倒生成器）。
• name: 实验名称，用于区分保存的检查点文件。

其他常用参数：

batchSize=64              # 批次大小 (建议不超过 128)
noise=normal              # 噪声模式 (推荐 normal)
nz=100                    # Z 向量维度
gpu=1                     # 使用的 GPU ID
name=experiment1          # 实验标识

3. 断点续训

若需从检查点恢复训练（例如切换数据集进行风格迁移），使用 -netG 和 -netD 参数：

DATA_ROOT=myimages dataset=folder netD=checkpoints/your_discriminator_net.t7 netG=checkpoints/your_generator_net.t7 th main.lua

注意：此时传入 ndf 和 ngf 参数无效，网络结构将从检查点加载。

4. 生成图像

使用训练好的生成器模型生成艺术作品：

net=your_generator_net.t7 th generate.lua

生成参数示例：

batchSize=36                      # 生成图片数量 (建议为 6 的倍数)
imsize=1                          # 图像缩放比例 (非像素值)
noisemode=normal                  # 噪声模式 (可选: normal, line, linefull)
name=generation1                  # 输出文件名前缀

版权提示: 使用本项目预训练模型生成的图像，请务必注明作者 (Robbie Barrat)。严禁出售预训练模型的直接输出结果（无论是否修改）。