概述
简述
StlyeGAN2-ADA提出了一种自适应鉴别器增强机制，在有限的数据体系中显著稳定训练，防止过拟合导致训练发散。
StlyeGAN2-ADA-Pytorch使用FID(Fréchet inception distance)作为评价模型训练效果的指标,FID值越小模型效果越好。
参考实现：
url=https://github.com/NVlabs/stylegan2-ada-pytorch commit_id=6f160b3d22b8b178ebe533a50d4d5e63aedba21d适配昇腾 AI 处理器的实现：
url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/others/通过Git获取代码方法如下：
git clone {url} # 克隆仓库的代码 cd {code_path} # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换通过单击“立即下载”，下载源码包。
准备训练环境
准备环境
当前模型支持的固件与驱动、 CANN 以及 PyTorch 如下表所示。
表 1 版本配套表
配套 版本 固件与驱动 5.1.RC2 CANN 5.1.RC2 PyTorch 1.5.0 环境准备指导。
请参考《Pytorch框架训练环境准备》。
安装依赖。
pip install -r requirements.txt下载inception模型用于计算FID。
- 链接：https://pan.baidu.com/s/1CBiKXaBzS8A0IGxcBivbTA 提取码：ince
- 进入模型代码目录下，将inception_weight.pth文件保存到
./inception/文件夹下。
准备数据集
获取数据集。
用户自行获取原始数据集，可下载AFHQ数据集或选择其他数据集。
以AFHQ数据集为例，数据集目录结构参考如下所示。
afhqwild ├── 00000 │ ├── img00000000.png │ ├── img00000001.png │ ├── img00000002.png │ ├── ... ├── 00001 │ ├── img00001000.png │ ├── img00001001.png │ ├── img00001002.png │ ├── ... ├── 00002 │ ├── img00002000.png │ ├── img00002001.png │ ├── img00002002.png │ ├── ... ├── 00003 │ ├── img00003000.png │ ├── img00003001.png │ ├── img00003002.png │ ├── ... ├── 00004 │ ├── img00004000.png │ ├── img00004001.png │ ├── img00004002.png │ ├── ... └── dataset.json说明： 该数据集的训练过程脚本只作为一种参考示例。
数据预处理。
可以使用
dataset_tool.py对原始数据集进行处理：python dataset_tool.py --source=~/downloads/afhq/train/wild --dest=~/data/afhqwild_64.zip \ --width=64 --height=64得到的zip文件可以直接用于训练，也可解压后用于训练。可通过
--width与--height指定图片分辨率，使用大分辨率时按需调整batch_size。
开始训练
训练模型
进入解压后的源码包根目录。
cd /${模型文件夹名称}运行训练脚本。
该模型支持单机单卡训练和单机8卡训练。
单机单卡训练
启动单卡训练。
bash ./test/train_full_1p.sh --data_path=/data/xxx/单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh --data_path=/data/xxx/
--data_path参数填写数据集路径，可以传入zip文件的路径如
/data/afhqwild_64.zip，或解压zip文件后传入解压后文件夹的路径如/data/afhqwild_64。模型训练脚本参数说明如下。
公共参数： --data //数据集路径 --outdir //输出路径 --kimg //重复训练图片数 --batch //训练批次大小 --fp32 //是否使用fp32训练 --snap //保存模型间隔 多卡训练参数： --gpus //训练使用卡数训练完成后，权重文件保存在当前路径下的
out/<ID>-mydataset-<Configurations>文件夹下，并输出模型训练精度和性能信息，其中ID由程序生成，Configurations与训练参数有关。
训练结果展示
表 2 训练结果展示表
| NAME | FID | FPS | Kimgs |
|---|---|---|---|
| 1p-竞品 | - | 44.82 | 1 |
| 1p-NPU | - | 13.09 | 1 |
| 8p-竞品 | 6.70 | 318.47 | 3000 |
| 8p-NPU | 6.63 | 67.38 | 3000 |
生成图片
可以使用generate.py，传入以.pkl文件保存的训练好的模型生成图片：
python generate.py --outdir=output_path --seeds=1-10 --network=real_pre_train_model_path--seeds为生成图片的种子，--outdir指定图片保存路径，--network为.pkl文件的路径。
版本说明
变更
2022.10.13：首次发布。
已知问题
由于NPU硬件和一些算子的限制，输入图片的尺寸必须不大于64×64。
公网地址说明
代码涉及公网地址参考 public_address_statement.md