CycleGAN学习笔记

cycleGAN学习笔记 源项目：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix 1.概览 train.py 用于模型训练 –model: e.g., pix2pix, cyclegan, colorization) and different datasets (with option --dataset_mode: e.g., aligned, unaligned, single, colorization test.py 用于模型测试 d

Cycle GAN是发表于ICCV17的一篇GAN 工作，可以让两个domain的图片相互转化。传统的GAN是单向生成，而CycleGAN是互相生成，网络是个环形，所以命名为Cycle，并且CycleGAN一个非常实用的地方就是输入两张图片，可以是任意两张图片，也就是unpaired 单向GAN CycleGAN本质上就是两个镜像对称的GAN，构成一个环形网络。其实只要理解了一半的单向GAN就等...

好的我们现在知道了gan模型的全程是生成式对抗模型，其实就是一个生成器跟判别器的博弈的过程，生成器想要生成跟输入媲美的内容，判别器想要识别是真的图片还是生成器生成的内容，然后再这种竞争之中，双方的性能都越来越好，直到达到一种均衡。就是很难独立地优化对抗目标，还有就是所有输入都对应相同的输出，我们就要加入更多的结构了，最好是一致的，就比如说英语翻译到了法语，然后再翻译回来，跟原文是一样的。本文提出的是捕获一个图像集合的特殊特征，弄清楚是怎么从这个特征转化为另一个的，然后这些都没有配对训练示例。

CycleGAN的目标是在两个不同领域（如X和Y）之间建立双向映射关系（如G和F，即生成器），并使用两个判别器DX和DY分别对X和F(Y)、Y和G(X)进行区分。这种网络结构不需要成对的训练数据，因此可以看作是一种无监督学习方法。另一方面，像Pix2pix这样的GAN网络基于配对图像进行训练，可以看作是有监督学习的一种应用。

GAN目前发展的很快，成果也很多，从GAN->Pix2pix->CycleGAN 本来是准备看一篇19年一月份ICLR发表的conference paper INSTAGAN，发现这篇论文是在cycleGAN的基础上的改进，于是先阅读这篇论文。CycleGAN 论文地址：https://arxiv.org/pdf/1703.10593.pdf 代码地址：https://github.c...

【深度学习】CycleGAN开源项目学习笔记 | 完整流程 | 报错总结 | pytorch

本文提出一种可以用非配对图像进行学习的图像到图像翻译（img2img translation）方法。只使用对抗损失进行训练的GAN学到的转换映射G: X->Y是无限制（under-constrained）的，本文引入另一个反向映射F: Y->X，并使用循环一致性损失来使F(G(X)) ≈ X（相应的，G(F(Y)) ≈ Y）。本文的方法在无配对数据上的实验表明了本文方法的强大。图像到图像翻译从概率分布的角度看，是。

记录了昇思MindSpore AI框架用循环对抗生成网络模型CycleGAN实现图像匹配的方法、步骤。包括环境准备、数据集下载、数据加载和预处理、构建生成器和判别器、优化、模型训练和推理等。

上图展示了一个由 obshell 管控的 OB 集群的系统架构图。同时 obshell 运维的可用性仅依赖于 OB 集群可用，而当 OB 集群因多数节点宕机变得不可用时，obshell 还提供了应急启动的功能用干拉起 OB 集群，并且该运维动作不依赖 OB 集群，进一步提升了其可用性。任务成功后回到首页，可以看到集群处于异常状态，同时各种统计信息为空，点击启动集群按钮，再次点击弹框中的启动按钮，会发起启动集群的任务，同样可以通过任务 ID 查看启动集群的任务详情，集群正常启动后首页信息恢复展示。

本文介绍了C++中的vector容器，从数据结构本质将其视为功能更强大的动态顺序表。文章分为"能用"和"明理"两部分：首先讲解vector的常用接口使用方法，包括构造、迭代器、增删查改等操作；然后通过模拟实现vector底层机制，详细解析其三个核心指针成员和关键函数实现原理。重点对比了C风格顺序表与vector的差异，阐述了vector自动管理内存、动态扩容等特性，帮助读者深入理解这个常用容器的内部工作机制。最后展示了如何实现构造函数、迭代器、增删改查函数以及空间管理

晶闸管（SCR）是一种半控型电力电子器件，具有耐高压、大电流的优点。其结构在二极管基础上增加门极控制，由三个PN结组成，导通需满足正向电压和门极触发电流条件，一旦导通门极即失去控制作用。晶闸管动态特性表现为导通时电流正反馈增长、电压下降，关断时产生反向电压。额定电压取正向/反向耐压较小值，通常为工作电压2-3倍。主要应用于整流、调速、加热控制等领域。作为电力电子技术入门器件，后续还需学习IGBT等全控型器件。

二叉搜索树(BST)是一种特殊的二叉树结构，具有以下特性：左子树所有节点值小于根节点，右子树所有节点值大于根节点。BST支持查找、插入和删除操作，查找效率取决于树的高度。文章详细介绍了BST的操作实现：查找通过比较节点值决定搜索方向；插入在找到合适位置后新增节点；删除处理四种不同情况。最后提供了C++的BST模板类实现，包含节点结构定义和核心操作函数，如插入、查找、删除和中序遍历等。该实现采用了递归方式，并考虑了深拷贝和赋值运算符重载等问题。

vector是表示可变大小数组的序列容器。2、获取最后一个数据位置的reverse_iterator/const_reverse_iterator，获取第一个数据前一个位置的 reverse_iterator/const_reverse_iterator。实际就是迭代器底层对应指针所指向的空间被销毁了，而使用一块已经被释放的空间，造成的后果是程序崩溃(即如果继续使用已经失效的迭代器， 程序可能会崩溃)。假如如上有一个数组，使用3个指针来描述，数组的起始地址和有效数据的下一位置和有效空间的下一个位置。

SSD（单发多框检测器）是一种高效的目标检测算法，通过单一网络实现多尺度检测。其技术特点包括：1）单次前向传播完成检测；2）多特征层处理不同尺度对象；3）多框预测提高召回率。主要应用于自动驾驶、视频监控、工业检测和智能零售等领域。SSD优势在于高性能、灵活性强、易于实现，支持主流深度学习框架。未来发展趋势将聚焦精度提升、速度优化和泛化能力增强。随着技术进步，SSD的应用范围和性能将持续扩展提升。

chromedriver是浏览器驱动程序，selenium代码发送的自动化指令通过它翻译成浏览器能识别的底层命令，浏览器执行。反之，浏览器的执行结果也需要通过浏览器内核反馈给代码这个原生的类的实例化就是driver驱动实例化：1）发送请求： 把调用的方法封装成符合Webdriver协议的请求发给浏览器内核2）接受结果： 反之也能反馈浏览器操作结果给代码，是浏览器内核和代码之间的桥梁。