【Note】pytorch-CycleGAN-and-pix2pix
1. data部分
下载数据集summer2winter_yosemite，文件夹结构如下
summer2winter_yosemite
├─ testA 310幅256x256图像
├─ testB 239幅
├─ trainA 1232幅
└─ trainB 963幅
训练模型
python train.py --dataroot datasets/summer2winter_yosemite --name run01 --model cycle_gan
查看代码 train.py
首先解析TrainOptions，同时会打印出opt
opt = TrainOptions().parse() # get training options
解析参数时会加上一些新的opt，如 CycleGAN中的add_argument，暂时没有从代码中看懂这个新增参数的机制
创建dataset，类型为data.CustomDatasetDataLoader
dataset = create_dataset(opt) # create a dataset given opt.dataset_mode and other options
查看 CustomDatasetDataLoader类，继承自object
创建self.dataset是UnalignedDataset, AlignedDataset, SingleDataset, ColorizationDataset中的一种，它们继承自BaseDataset，由参数–dataset_mode决定
self.dataset = dataset_class(opt)
查看 UnalignedDataset类，比较重要的参数有
–max_dataset_size，如果觉得数据集中的图像太多，可以指定该参数来缩小数据集
–direction，指定两个domain的方向，默认为AtoB
–preprocess，指定图像的预处理方式，默认为resize_and_crop，可选crop | scale_width | scale_width_and_crop | none，值得注意的是，当选择none时，也会将图像resize为2的幂
–load_size, --crop_size，图像载入时首先resize的尺寸，以及图像最终的尺寸
–serial_batches，影响两处地方，一是取B_img时是按照index来取还是随机取，二是构建DataLoader时是否shuffle
图像归一化的参数mean=0.5, std=0.5
读取图像，然后转换到RGB，保证图像是3通道的
A_img = Image.open(A_path).convert('RGB')
B_img = Image.open(B_path).convert('RGB')
UnalignedDataset的__getitem__返回格式如下
return {'A': A, 'B': B, 'A_paths': A_path, 'B_paths': B_path}
回到CustomDatasetDataLoader的__init__，创建了self.dataset之后，封装为DataLoader
self.dataloader = torch.utils.data.DataLoader(
self.dataset,
batch_size=opt.batch_size,
shuffle=not opt.serial_batches,
num_workers=int(opt.num_threads))
2. model部分
回到 train.py
model = create_model(opt) # create a model given opt.model and other options
执行上述语句，会打印如下信息
initialize network with normal
initialize network with normal
initialize network with normal
initialize network with normal
model [CycleGANModel] was created
在 create_model方法中
instance = model(opt)
其中model是CycleGANModel, Pix2PixModel, TestModel, ColorizationModel中的一种，它们均继承自BaseModel，由参数 –model 指定
查看 CycleGANModel类
在__init__中
# specify the training losses you want to print out. The training/test scripts will call 其它
parser.add_argument('--no_dropout', action='store_true', help='no dropout for the generator')
这里感觉写了个bug，因为无论命令行是否添加--no_dropout，opt.no_dropout都为True