【PGGAN】3、代码解析

这里是对pytorch的代码进行的解析：GitHub - facebookresearch/pytorch_GAN_zoo: A mix of GAN implementations including progressive growing

解析的过程我采用：自顶向下、逐步求精的方法，也就是从全局到局部

---

整体的一个运行关系：

1. train.py 是整个项目的起点：加载什么样的配置、加载数据集、开始train...
2. progressive_gan_trainer 是改变模型的scale...操作，管理“progressive GAN”训练过程：包括 Logs, chekpoints, visualization, and number iterations
3. progressive_gan 是整个运行的pipeline，例如getNetG、getNetD、Optimizer....|
4. progressive_conv_net 是G 和 D的具体实现

 

---

1、train.py

train.py 是整个项目的起点：加载什么样的配置（parser.add_argument + config_256_ChEMBL.json）、加载数据集、开始train...

2、progressive_gan_trainer .py

通过train.py中的“getTrainer”函数加载 progressive_gan_trainer.py 和progressive_gan_trainer.py中的 ProgressiveGANTrainer class

 

G 和 D的构造位置在：models --> network  --> progressive_conv_net.py 中：

1. G的训练方式

作者采用progressive growing的训练方式，先训一个小分辨率的图像生成，训好了之后再逐步过渡到更高分辨率的图像。然后稳定训练当前分辨率，再逐步过渡到下一个更高的分辨率。

如上图所示。更具体点来说，当处于fade in（或者说progressive growing）阶段的时候，上一分辨率(4*4)会通过resize+conv操作得到跟下一分辨率(8*8)同样大小的输出，然后两部分做加权，再通过to_rgb操作得到最终的输出。这样做的一个好处是它可以充分利用上个分辨率训练的结果，通过缓慢的过渡(w逐渐增大)，使得训练生成下一分辨率的网络更加稳定。

1.1、G代码解析

 2. D的训练方式

下图是Discriminator的growing，它跟Generator的类似，差别在于一个是上采样，一个是下采样。这里就不再赘述。

Progressive Growing GANs简介+PyTorch复现 - 知乎