BigGAN-PyTorch

大规模 GAN 训练用于高保真自然图像合成（BigGAN）的 PyTorch 实现

在 ImageNet 数据集上训练

对于 1281283 分辨率：

python main.py --batch_size 64  --dataset imagenet --adv_loss hinge --version biggan_imagenet --image_path /data/datasets

python main.py --batch_size 64  --dataset lsun --adv_loss hinge --version biggan_lsun --image_path /data1/datasets/lsun/lsun

python main.py --batch_size 64  --dataset lsun --adv_loss hinge --version biggan_lsun --parallel True --gpus 0,1,2,3 --use_tensorboard True

不同之处

• 在生成器中未使用跨副本批归一化（Ioffe & Szegedy, 2015）

兼容性

• CPU
• GPU

预训练模型

LSUN 预训练模型 下载

论文中提出的一些避免模式崩溃的方法，请参阅原文并重新训练您的模型。

性能

• 事实上，正如论文中所述，该模型确实会出现模式崩溃。
• 我使用 LSUN 数据集来训练此模型，可能导致性能不佳，因为教室类别的数据比 ImageNet 更加复杂。

结果

LSUN 数据集（两类）：教室和教堂室外场景

• 迭代 82200 次（128x128），批次大小 64
• 迭代 128200 次
• 迭代 365000 次
• 迭代 800000 次
• 迭代 900000 次

BigGAN-pytorch 快速上手指南

BigGAN-pytorch 是论文《LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS》的 PyTorch 实现版本，用于高保真自然图像合成。本指南将帮助你快速配置环境并运行训练。

环境准备

在开始之前，请确保你的系统满足以下要求：

• 操作系统: Linux 或 macOS (Windows 需自行配置兼容环境)
• 硬件:
  • GPU: 推荐使用 NVIDIA GPU (支持多卡并行训练)
  • CPU: 支持 CPU 运行，但训练速度较慢
• 软件依赖:
  • Python 3.x
  • PyTorch (最新稳定版)
  • torchvision
  • TensorBoard (可选，用于可视化训练过程)

建议通过 pip 安装核心依赖：

pip install torch torchvision tensorboard

提示：国内开发者可使用清华源或阿里源加速安装，例如： pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

本项目无需复杂的编译安装，只需克隆代码库即可使用。

1. 克隆仓库

   git clone https://github.com/ajbrock/BigGAN-PyTorch.git
   cd BigGAN-PyTorch
   

2. 准备数据集 下载 ImageNet 或 LSUN 数据集，并记录数据存放路径（例如 /data/datasets 或 /data1/datasets/lsun/lsun）。

3. (可选) 下载预训练模型 如果仅需测试推理或微调，可下载 LSUN 预训练模型：

   • 下载地址：Google Drive Link
   • 将下载的权重文件放入项目指定目录（具体加载逻辑需参考 main.py 或相关脚本）。

基本使用

以下是基于命令行启动训练的最简示例。请根据你的实际数据集路径修改 --image_path 参数。

1. 训练 ImageNet 数据集 (128x128 分辨率)

单卡或默认配置运行：

python main.py --batch_size 64 --dataset imagenet --adv_loss hinge --version biggan_imagenet --image_path /data/datasets

2. 训练 LSUN 数据集

单卡模式：

python main.py --batch_size 64 --dataset lsun --adv_loss hinge --version biggan_lsun --image_path /data1/datasets/lsun/lsun

多卡并行模式 (推荐) + 开启 TensorBoard 监控： 假设使用 4 张 GPU (ID: 0,1,2,3)：

python main.py --batch_size 64 --dataset lsun --adv_loss hinge --version biggan_lsun --parallel True --gpus 0,1,2,3 --use_tensorboard True

注意事项

• 模型稳定性：正如原论文所述，GAN 训练过程中可能会出现模型坍塌（model collapse）。若遇到性能不佳，建议参考原论文中的稳定技巧重新调整超参数或重试。
• 数据集复杂度：LSUN 数据集中某些类别（如 classroom）比 ImageNet 更复杂，可能导致收敛困难或生成质量波动，这是正常现象。