轉載自

簡單介紹了一下GAN和DCGAN的原理。以及如何使用Tensorflow做一個簡單的生成圖片的demo。

• Ian Goodfellow對GAN一系列工作總結的ppt，確實精彩，推薦：獨家 | GAN之父NIPS 2016演講現場直擊：全方位解讀生成對抗網絡的原理及未來（附PPT）
• GAN論文匯總，包含code：zhangqianhui/AdversarialNetsPapers

CycleGAN是在今年三月底放在arxiv（地址：https://arxiv.org/abs/1703.10593）的一篇文章，文章名為Learning to Discover Cross-Domain Relations with Generative Adversarial Networks，同一時期還有兩篇非常類似的DualGAN（地址：https://arxiv.org/abs/1704.02510）和DiscoGAN（地址：https://arxiv.org/abs/1703.05192），簡單來說，它們的功能就是：自動將某一類圖片轉換成另外一類圖片。

作者在論文中也舉了一些例子，比如將普通的馬和斑馬進行互相轉換，將蘋果和橘子進行互相轉換：

把照片轉換成油畫風格：

將油畫中的場景還原成現實中的照片：

由于CycleGAN這個框架具有較強的通用性，因此一經發表就吸引了大量注意，很快，腦洞大開的網友想出了各種各樣神奇的應用。

比如將貓變成狗：

讓圖片中的人露出笑容：

國外網友Jack Clark還搜集了巴比倫、耶路撒冷以及倫敦的古代地圖，利用CycleGAN將它們還原成了真實衛星圖像：

?

?

還有人使用CycleGAN將人臉轉換成娃娃：

?

將男人變成女人：

?

把你自己變成一個“肌肉文身猛男”也是可以的：

?

如果說這些應用多少可以理解，那么下面的應用就有點“匪夷所思”了：你可以想象將人和拉面做轉換嗎？日本網友加藤卓哉(Takuya Kato)就訓練了這樣一個模型，它可以從拉面中生成人像，此外將人臉變成拉面的圖片。鑒于生成的結果比較鬼畜，如果有興趣的可以點擊這個鏈接（地址：https://junyanz.github.io/CycleGAN/images/faces_and_ramens.jpg）觀看生成結果。

此外，知乎上的?@達聞西?還用CycleGAN訓練了可以脫掉女優衣服的模型（可以參考提高駕駛技術：用GAN去除(愛情)動作片中的馬賽克和衣服），其腦洞之大，實在是讓人驚嘆了一番。但是技術水平還很厲害，下一篇博客把其中的技術扒過來。

?

今天這篇文章主要分成三個部分：

• CycleGAN的原理解析

• CycleGAN與原始的GAN、DCGAN、pix2pix模型的對比

• 如何在TensorFlow中用CycleGAN訓練模型

CycleGAN的原理

我們之前已經說過，CycleGAN的原理可以概述為：將一類圖片轉換成另一類圖片。也就是說，現在有兩個樣本空間，X和Y，我們希望把X空間中的樣本轉換成Y空間中的樣本。

因此，實際的目標就是學習從X到Y的映射。我們設這個映射為F。它就對應著GAN中的生成器，F可以將X中的圖片x轉換為Y中的圖片F(x)。對于生成的圖片，我們還需要GAN中的判別器來判別它是否為真實圖片，由此構成對抗生成網絡。設這個判別器為??。這樣的話，根據這里的生成器和判別器，我們就可以構造一個GAN損失，表達式為：

這個損失實際上和原始的GAN損失是一模一樣的，如果這一步不是很理解的可以參考一篇專欄：GAN學習指南：從原理入門到制作生成Demo。

但單純的使用這一個損失是無法進行訓練的。原因在于，映射F完全可以將所有x都映射為Y空間中的同一張圖片，使損失無效化。對此，作者又提出了所謂的“循環一致性損失”（cycle consistency loss）。

我們再假設一個映射G，它可以將Y空間中的圖片y轉換為X中的圖片G(y)。CycleGAN同時學習F和G兩個映射，并要求??，以及???。也就是說，將X的圖片轉換到Y空間后，應該還可以轉換回來。這樣就杜絕模型把所有X的圖片都轉換為Y空間中的同一張圖片了。根據??和??，循環一致性損失就定義為：

同時，我們為G也引入一個判別器??，由此可以同樣定義一個GAN的損失??，最終的損失就由三部分組成：

CycleGAN與DCGAN的對比

為了進一步搞清楚CycleGAN的原理，我們可以拿它和其他幾個GAN模型，如DCGAN、pix2pix模型進行對比。

先來看下DCGAN，它的整體框架和最原始的那篇GAN是一模一樣的，在這個框架下，輸入是一個噪聲z，輸出是一張圖片（如下圖），因此，我們實際只能隨機生成圖片，沒有辦法控制輸出圖片的樣子，更不用說像CycleGAN一樣做圖片變換了。

CycleGAN與pix2pix模型的對比

pix2pix也可以做圖像變換，它和CycleGAN的區別在于，pix2pix模型必須要求成對數據（paired data），而CycleGAN利用非成對數據也能進行訓練(unpaired data)。

?

比如，我們希望訓練一個將白天的照片轉換為夜晚的模型。如果使用pix2pix模型，那么我們必須在搜集大量地點在白天和夜晚的兩張對應圖片，而使用CycleGAN只需同時搜集白天的圖片和夜晚的圖片，不必滿足對應關系。因此CycleGAN的用途要比pix2pix更廣泛，利用CycleGAN就可以做出更多有趣的應用。

在TensorFlow中實驗CycleGAN

最后來講一講如何在TensorFlow中實驗CycleGAN，打開全球最大的同性交友網站Github，我們可以發現CycleGAN在TensorFlow中已經有很多輪子了，我使用的代碼是：vanhuyz/CycleGAN-TensorFlow（地址：https://github.com/vanhuyz/CycleGAN-TensorFlow）。

利用這個代碼，我訓練了一個從男性和女性圖片互換的模型，比如將男人轉換成女人（左側為原圖，右側為模型自動生成的圖片）：

?

還可以將女性轉換成男性：

?

為了訓練這么一個模型，我們需要分別準備好男性的圖片和女性的圖片。在實踐中，我使用了CelebA數據集，分別取出其中男性和女性的圖片并統一縮放到256x256的大小，然后存入兩個文件夾中：

?

如果你對這個實驗有興趣，可以直接在地址https://pan.baidu.com/s/1i5qY3yt下載到我使用的數據集。當然，也可以使用自己的數據，只需要將它們存為jpg格式并統一縮放到256x256的大小就可以了。接下來的步驟為：

1. 下載項目代碼

git clone https://github.com/vanhuyz/CycleGAN-TensorFlow.git

2. 將圖片轉換成tfrecords格式

這個項目中提供了一個build_data腳本，用于將圖片轉換成tfrecords形式。假設我們的圖片存放在~/datasets/man2woman/a_resized/和 ~/datasets/man2woman/b_resized目錄下，對應的命令就是：

python build_data.py \
? ?--X_input_dir ~/datasets/man2woman/a_resized/ \
? ?--Y_input_dir ~/datasets/man2woman/b_resized/ \
? ?--X_output_file ~/datasets/man2woman/man.tfrecords \
? ?--Y_output_file ~/datasets/man2woman/woman.tfrecords

3. 訓練

訓練的命令為：

python train.py \
? ?--X ~/datasets/man2woman/man.tfrecords \
? ?--Y ~/datasets/man2woman/woman.tfrecords \
? ?--image_size 256

訓練的過程比較漫長，此時可以打開TensorBoard來觀察訓練情況（運行這個命令時需要將“20170715-1622”改成機器中對應的文件夾，下同）：

tensorboard --logdir checkpoints/20170715-1622

4. 導出模型并執行單張圖片

導出模型的方法為：

python export_graph.py \
? ?--checkpoint_dir checkpoints/20170715-1622 \
? ?--XtoY_model man2woman.pb \
? ?--YtoX_model woman2man.pb ?\
? ?--image_size 256

對單張圖片進行轉換（將data/test.jpg替換為對應的輸入圖片地址）：

python inference.py \
--model pretrained/man2woman.pb ?\
--input data/test.jpg ?\
--output data/output.jpg \
--image_size 256

總結

有已經訓練好噠model，調用后發現效果很不好。

總結

以上是生活随笔為你收集整理的CycleGAN 各种变变变的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。