1.0.1.190122

Author: LatentLinker

Generate_image/README.MD

@@ -1,13 +1,13 @@
 ## 环境准备
 
-- 本程序需要安装[PyTorch](https://pytorch.org/) 本人安装总结[地址]()
+- 本程序需要安装[PyTorch](https://pytorch.org/) 本人安装总结[地址](https://blog.csdn.net/qq_41654985/article/details/86599016)
 - 还需要通过`pip install -r requirements.txt` 安装其它依赖
 
 ## 数据
 标签文件夹下放入图片
 
 ## 用法
-如果想要使用visdom可视化，请先运行`python2 -m visdom.server`启动visdom服务
+如果想要使用visdom可视化，请先运行`python -m visdom.server`启动visdom服务
 
 基本用法：
 ```

Generate_image/main.py

@@ -11,11 +11,11 @@
 class Config(object):
     data_path = 'data/'  # 数据集存放路径
     num_workers = 4  # 多进程加载数据所用的进程数
-    image_size = 224  # 图片尺寸
+    image_size = 96  # 图片尺寸
     batch_size = 32
     max_epoch = 4000
-    lr1 = 2e-4  # 生成器的学习率 2.7*2-4
-    lr2 = 2e-4  # 判别器的学习率
+    lr1 = 0.001  # 2e-4  # 生成器的学习率 2.7*2-4
+    lr2 = 0.001  # 2e-4  # 判别器的学习率
     beta1 = 0.5  # Adam优化器的beta1参数
     gpu = True  # 是否使用GPU
     nz = 100  # 噪声维度
@@ -144,8 +144,9 @@ def train(**kwargs):
             # 保存模型、图片
             tv.utils.save_image(fix_fake_imgs.data[:64], '%s/%s.png' % (opt.save_path, epoch), normalize=True,
                                 range=(-1, 1))
-            t.save(netd.state_dict(), 'checkpoints/netd_%s.pth' % epoch)
-            t.save(netg.state_dict(), 'checkpoints/netg_%s.pth' % epoch)
+            tag = [i for i in os.listdir('./data') if os.path.isdir('./data/' + i)][0]
+            t.save(netd.state_dict(), 'checkpoints/%s_d_%s.pth' % (tag, epoch))
+            t.save(netg.state_dict(), 'checkpoints/%s_g_%s.pth' % (tag, epoch))
             errord_meter.reset()
             errorg_meter.reset()
 

Generate_image/model.py

@@ -9,31 +9,31 @@ class NetG(nn.Module):
 
     def __init__(self, opt):
         super(NetG, self).__init__()
-        ngf = opt.ngf  # 生成器feature map数
+        ngf = opt.ngf  # 生成器 map数
 
         self.main = nn.Sequential(
-            # 输入是一个nz维度的噪声，我们可以认为它是一个1*1*nz的feature map
-            nn.ConvTranspose2d(opt.nz, ngf * 8, 4, 1, 0, bias=False),
+            # 输入是一个nz维度的噪声，我们可以认为它是一个1*1*nz的 map
+            nn.ConvTranspose2d(opt.nz, ngf * 8, kernel_size=4, stride=1, padding=0, bias=False),
             nn.BatchNorm2d(ngf * 8),
             nn.ReLU(True),
             # 上一步的输出形状：(ngf*8) x 4 x 4
 
-            nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False),
+            nn.ConvTranspose2d(ngf * 8, ngf * 4, kernel_size=4, stride=2, padding=1, bias=False),
             nn.BatchNorm2d(ngf * 4),
             nn.ReLU(True),
             # 上一步的输出形状： (ngf*4) x 8 x 8
 
-            nn.ConvTranspose2d(ngf * 4, ngf * 2, 4, 2, 1, bias=False),
+            nn.ConvTranspose2d(ngf * 4, ngf * 2, kernel_size=4, stride=2, padding=1, bias=False),
             nn.BatchNorm2d(ngf * 2),
             nn.ReLU(True),
             # 上一步的输出形状： (ngf*2) x 16 x 16
 
-            nn.ConvTranspose2d(ngf * 2, ngf, 4, 2, 1, bias=False),
+            nn.ConvTranspose2d(ngf * 2, ngf, kernel_size=4, stride=2, padding=1, bias=False),
             nn.BatchNorm2d(ngf),
             nn.ReLU(True),
             # 上一步的输出形状：(ngf) x 32 x 32
 
-            nn.ConvTranspose2d(ngf, 3, 5, 3, 1, bias=False),
+            nn.ConvTranspose2d(ngf, 3, kernel_size=5, stride=3, padding=1, bias=False),
             nn.Tanh()  # 输出范围 -1~1 故而采用Tanh
             # 输出形状：3 x 96 x 96
         )
@@ -52,26 +52,26 @@ def __init__(self, opt):
         ndf = opt.ndf
         self.main = nn.Sequential(
             # 输入 3 x 96 x 96
-            nn.Conv2d(3, ndf, 5, 3, 1, bias=False),
+            nn.Conv2d(3, ndf, kernel_size=5, stride=3, padding=1, bias=False),
             nn.LeakyReLU(0.2, inplace=True),
             # 输出 (ndf) x 32 x 32
 
-            nn.Conv2d(ndf, ndf * 2, 4, 2, 1, bias=False),
+            nn.Conv2d(ndf, ndf * 2, kernel_size=4, stride=2, padding=1, bias=False),
             nn.BatchNorm2d(ndf * 2),
             nn.LeakyReLU(0.2, inplace=True),
             # 输出 (ndf*2) x 16 x 16
 
-            nn.Conv2d(ndf * 2, ndf * 4, 4, 2, 1, bias=False),
+            nn.Conv2d(ndf * 2, ndf * 4, kernel_size=4, stride=2, padding=1, bias=False),
             nn.BatchNorm2d(ndf * 4),
             nn.LeakyReLU(0.2, inplace=True),
             # 输出 (ndf*4) x 8 x 8
 
-            nn.Conv2d(ndf * 4, ndf * 8, 4, 2, 1, bias=False),
+            nn.Conv2d(ndf * 4, ndf * 8, kernel_size=4, stride=2, padding=1, bias=False),
             nn.BatchNorm2d(ndf * 8),
             nn.LeakyReLU(0.2, inplace=True),
             # 输出 (ndf*8) x 4 x 4
 
-            nn.Conv2d(ndf * 8, 1, 4, 1, 0, bias=False),
+            nn.Conv2d(ndf * 8, 1, kernel_size=4, stride=1, padding=0, bias=False),
             nn.Sigmoid()  # 输出一个数(概率)
         )
 

Image_recognition/README.md

@@ -1,6 +1,6 @@
 ## 环境准备
 
-- 本程序需要安装[PyTorch](https://pytorch.org/) 本人安装总结[地址](https:)
+- 本程序需要安装[PyTorch](https://pytorch.org/) 本人安装总结[地址](https://blog.csdn.net/qq_41654985/article/details/86599016)
 - 还需要通过`pip install -r requirements.txt` 安装其它依赖
 
 ## 用法