转载自网络，但找不到原作
首先，进入根目录pytorch-CycleGAN-and-pix2pix：
need-to-insert-img
这个目录下imgs下是两张示例图片，不用管;
后面文件夹中所有的.pyc文件都是运行相应代码之后产生的文件，这里着重解释一下pyc文件：.pc文件是由.py文件经过编译后生成的字节码文件，其加载速度相对于之前的.py文件有所提高，而且还可以实现源码隐藏，以及一定程度上的反编译。比如，Python3.3编译生成的.pyc文件，Python3.4就别想着去运行啦！
生成.pyc文件后，之后再次调用到之前的.py文件都可以通过.pyc文件快速加载。所以，运行一次之后，py文件可以删掉，后面运行文件时直接调用.pyc文件就可以更高效地执行。
train.py和test.py是训练和测试的文件，通过它们来调用其他文件夹的网络文件来进行实验。
checkpoints文件（训练的时候生成的）：checkpoints文件是在代码运行后由options/base_options.py根据设置的路径产生的，其目录下还生成一个maps_cyclegan：里面保存着模型文件.pth（由models/base_model.py生成），初始化参数文件：opt.txt、保存网络训练过程中loss的文件：loss_log.txt和一个文件夹web（由util/visualizer.py生成）
need-to-insert-img
接下来进入web:包含一个文件夹和一个.html文件
need-to-insert-img
images文件夹下存放着每个epoch的图片（由util/visualizer.py生成），每个epoch存放6张：
need-to-insert-img
再回到根目录下的datasets文件夹：训练、测试数据所在地
再回到根目录下的options文件夹：option里面存放着网络最基本的参数
need-to-insert-img
其中训练时用到train_options.py和base_options.py文件;
测试时用到test_options.py和base_options.py文件。
下面是网络最初的base_options.py文件：
need-to-insert-img
其中：batchsize是每次迭代图片数量、loadsize和finesize决定输入图片的大小，这三个参数直接影响网络训练时占用的内存大小（和训练图片本身的size无关，测试图片最后的大小也由finesize决定）实践证明，网络中loadsize和finesize这两个参数不要轻易改动（虽然变小能够加快训练速度，不过最后的结果只对小图有用，不能达到和大图评估的作用）;which_model_netD和which_model_netG用于定义网络判别器和生成器的模型;
train_options和test_options继承自base_options，调用train_options和test_options会初始化base_options里面的参数并在base的基础上添加自带的参数;
train_options.py文件参数如下：
need-to-insert-img
其中，phase表明现在的阶段是训练还是测试;niter表示多少个epoch后学习率开始变化;niter_decay表示学习率经过多少个epoch衰减为0;
lr是学习率（因为梯度回传的原因，神经网络对输入非常敏感。我们拿乘法门来举例，如果输入的xi全都变成原来1000倍，而权重w不变，那么在反向传播计算的时候，x路径上获得的回传梯度不变，而w上的梯度则会变大1000倍，这使得你不得不降低学习速率(learning
rate)成原来的1/1000以维持平衡）;no_lsgan决定网络所用的loss函数;lambda_A和lambda_B分别是cycleGAN网络两个cycle
loss的权重。
test_options.py文件参数如下：
need-to-insert-img
其中，which_epoch表示test阶段所要加载的模型文件是哪个;how_many表示测试图片数。
根目录下的results文件夹（test的时候生成的）下maps_cyclegan里面存放着网络结果文件test_latest：保存test后的结果文件
need-to-insert-img
images存放1000到1045代的图片数据
need-to-insert-img
回到根目录下的util文件下：visualizer.py用于输出训练中间结果和保存相应文件
need-to-insert-img
data文件夹下：data文件夹下存放加载数据的文件，包括一些数据的基本设置（如路径，大小等）
need-to-insert-img
models文件夹下：通过models.py来加载我们需要的网络结构;networks.py用于定义网络结构和网络相应的输出，cycleGAN的网络结构中，生成器的结构来源于Perceptual losses for real-time style transfer and
super-resolution，同样使用InstanceNormalization;判别器的结构来源于pix2pix（PatchGANon 70*70 patches）。训练模型的保存和测试阶段模型的加载通过base_model.py实现。
need-to-insert-img
scripts文件夹下：也就是脚本文件，包括训练和测试的脚本文件，最后根据你训练的网络来修改test_single.sh
对单独的数据进行测试。
