这是一个名为WGAN的新alogorithm，一个传统GAN训练的替代品！
wgan-pytorch的Python项目详细描述
瓦瑟施泰因·皮托奇
更新（2020年2月21日）
mnist和fmnist模型现在可用。它们的用法与其他型号相同：
fromwgan_pytorchimportGeneratormodel=Generator.from_pretrained('g-mnist')
概述
此存储库包含Wasserstein GAN的op for op PyTorch重新实现。在
这个实现的目标是简单，高度可扩展，并且易于集成到您自己的项目中。这个实现是一个正在进行的工作——新特性目前正在实现中。在
目前，您可以轻松地：
- 加载预训练生成模型
- 为扩展数据集使用生成模型
即将推出的功能：在接下来的几天内，您将能够：
- 在您自己的数据集上快速调整生成
- 导出生成生产模型
目录
关于Wasserstein GAN
如果你是刚接触过Wasserstein GAN，这里有一个直接摘自报纸的摘要：
我们引入了一种新的算法WGAN，它是传统GAN训练的一种替代。在这个新的模型中，我们证明我们可以提高学习的稳定性，消除模式崩溃等问题，并提供有意义的学习曲线，有助于调试和超参数搜索。此外，我们还证明了相应的优化问题是合理的，并提供了大量的理论工作，强调了与分布之间其他距离的深层联系。在
型号说明
我们有两个网络，G（生成器）和D（鉴别器）。生成器是生成图像的网络。它接收到一个随机噪声z，并从该噪声中生成图像，称为G（z），鉴别器是鉴别图像是否真实的鉴别网络。输入是x，x是一张图片，输出是D，x是一张真实图片的概率，如果是1，它是100%真实的，如果是0，它就不是真实的。在
安装
从pypi安装：
^{pr2}$从源安装：
git clone https://github.com/Lornatang/WassersteinGAN-PyTorch.git
cd WassersteinGAN-PyTorch
pip install -e .
用法
加载预训练模型
装上一个瓦瑟斯坦干：
fromwgan_pytorchimportGeneratormodel=Generator.from_name("g-mnist")
加载预训练的Wasserstein GAN：
fromwgan_pytorchimportGeneratormodel=Generator.from_pretrained("g-mnist")
示例：扩展数据集
如示例中所述，如果加载MNIST数据集的预先训练的权重，它将创建一个新的imgs目录，并在imgs目录中生成64个随机图像。在
importosimporttorchimporttorchvision.utilsasvutilsfromwgan_pytorchimportGeneratordevice=torch.device("cuda:0"iftorch.cuda.is_available()else"cpu")model=Generator.from_pretrained("g-mnist")model.to(device)# switch to evaluate modemodel.eval()try:os.makedirs("./imgs")exceptOSError:passwithtorch.no_grad():foriinrange(64):noise=torch.randn(64,100,device=device)fake=model(noise)vutils.save_image(fake.detach(),f"./imgs/fake_{i:04d}.png",normalize=True)print("The fake image has been generated!")
示例：视觉
cd $REPO$/framework sh start.sh
然后打开浏览器并输入浏览器地址http://127.0.0.1:10002/。 好好享受吧。在
贡献
如果你发现了一个bug，创建了一个GitHub问题，或者提交一个pull请求。类似地，如果您有问题，只需将其作为GitHub问题发布即可。在
我期待着看到社区对这些模型做了什么！在
- 项目
标签：
欢迎加入QQ群-->： 979659372
