GAN 自从被提出后，便迅速受到广泛关注。大体上GAN 可分为两类，一类是无条件下的生成；另一类是基于条件信息的生成。近日，来自韩国浦项科技大学的硕士生在 GitHub 上开源了一个项目，提供了条件 / 无条件图像生成的代表性生成对抗网络（GAN）的实现。

项目地址：https://github.com/POSTECH-CVLab/PyTorch-StudioGAN

具体而言，该项目具有以下几个显著特征：

（1）提供了大量 PyTorch 框架的 GAN 实现；

（2）基于 CIFAR 10、Tiny ImageNet 和 ImageNet 数据集的 GAN 基准；

（3）相较原始实现的更好的性能和更低的内存消耗；

（4）提供完全最新 PyTorch 环境的预训练模型；

（5）支持多 GPU（DP、DDP 和多节点 DDP）、混合精度、同步批归一化、LARS、Tensorboard 可视化和其他分析方法。

如下图所示，项目作者提供了 18 + 个 SOTA GAN 的实现，包括 DCGAN、LSGAN、GGAN、WGAN-WC、WGAN-GP、WGAN-DRA、ACGAN、ProjGAN、SNGAN、SAGAN、BigGAN、BigGAN-Deep、CRGAN、ICRGAN、LOGAN、DiffAugGAN、ADAGAN、ContraGAN 和 FreezeD。

cBN：条件批归一化；AC：辅助分类器；PD：Projection 判别器；CL：对比学习

其中，需要注意以下几点：

（1）G/D_type 表示将标签信息注入生成器或判别式的方式；

（2）EMA 表示生成器中应用更新后的指数移动平均线；

（3）Tiny ImageNet 数据集上的实验使用的是 ResNet 架构而不是 CNN。

环境要求

用户可以采用以下方法安装推荐的环境：

conda env create -f environment.yml -n studiogan

在 docker 中还可以采用以下方式：

docker pull mgkang/studiogan:latest

以下是创建名字为「studioGAN」容器的命令，同样也可以使用端口号为 6006 来连接 tensoreboard：

docker run -it --gpus all --shm-size 128g -p 6006:6006 --name studioGAN -v /home/USER:/root/code --workdir /root/code mgkang/studiogan:latest /bin/bash

使用方法

使用 GPU 0 的情况下，在 CONFIG_PATH 中对于模型的训练「-t」和评估「-e」进行了定义：

CUDA_VISIBLE_DEVICES=0 python3 src/main.py -t -e -c CONFIG_PATH

在使用 GPU (0, 1, 2, 3) 和 DataParallel 情况下，在 CONFIG_PATH 中对于模型的训练「-t」和评估「-e」进行了定义：

CUDA_VISIBLE_DEVICES=0,1,2,3 python3 src/main.py -t -e -c CONFIG_PATH

在 python3 src/main.py 程序中查看可用选项，通过 Tensorboard 可以监控 IS、FID、F_beta、Authenticity Accuracies 以及最大奇异值：

~ PyTorch-StudioGAN/logs/RUN_NAME>>> tensorboard --logdir=./ --port PORT

可视化以及分析生成图像

StudioGAN 支持图像可视化、k 最近邻分析、线性差值以及频率分析。所有的结果保存在「./figures/RUN_NAME/*.png」中。

图像可视化的代码和示例如下：

CUDA_VISIBLE_DEVICES=0,...,N python3 src/main.py -iv -std_stat --standing_step STANDING_STEP -c CONFIG_PATH --checkpoint_folder CHECKPOINT_FOLDER --log_output_path LOG_OUTPUT_PATH

k 最近邻分析，这里固定 K=7，第一列中是生成的图像

CUDA_VISIBLE_DEVICES=0,...,N python3 src/main.py -knn -std_stat --standing_step STANDING_STEP -c CONFIG_PATH --checkpoint_folder CHECKPOINT_FOLDER --log_output_path LOG_OUTPUT_PATH

线性插值（仅适用于有条件的 Big ResNet 模型 ）的代码和示例如下：

CUDA_VISIBLE_DEVICES=0,...,N python3 src/main.py -itp -std_stat --standing_step STANDING_STEP -c CONFIG_PATH --checkpoint_folder CHECKPOINT_FOLDER --log_output_path LOG_OUTPUT_PATH