转载自网络
数据样本：
分为训练数据和测试数据，A表示带眼镜的样本，B表示无眼镜的样本
trainA有1185个样本，trainB有1350个样本;
后台服务器进入到pytorch-CycleGAN_B目录下，运行如下代码（修改自己的数据路径和训练模型的名字，以及利用的网络结构的名字）：
CUDA_VISIBLE_DEVICES=3
python train.py --dataroot ./datasets/glass --name glass_cyclegan
--model cycle_gan --display_id 0
根据前面DEVICES=3来决定用哪块显卡（3对应0号GPU、0对应1号 1-2号 2-3号），--dataroot
./datasets/***表示训练数据所在路径，--name
***_cyclegan根据自己的数据名字来决定保存的训练产生的文件名，后面加上 --display_id
0用于避免额外的内存开支。
首先初始化的是相应的网络参数：
接着加载网络结构：
这是生成网络generator的网络结构，初始化了两个一模一样的generator，G_A和G_B，两个的参数数量也一样;
接下来是如下两个一样的判别网络discriminator：
模型加载完就开始真正的训练：
先初始化网络保存的路径checkpoints，然后开始每个epoch迭代
前100个epoch学习率lr不变，后100个epoch学习率开始逐渐变为0：
跑完训练，训练完的结果保存在文件夹checkpoints下，如果结果不好，修改train_options里面的continue_train，可以在之前训练的基础上继续训练。
再进行一下测试：CUDA_VISIBLE_DEVICES=3 python test.py --dataroot
./datasets/glass --name glass_cyclegan --model cycle_gan --phase
test
跑完测试，接下来调用训练好的模型对新的数据进行测验：
python test.py --dataroot
./datasets/glass/test/ --name glass_cyclegan --model test
--which_direction AtoB --dataset_mode single
其中，./datasets/glass/test/是数据存放的路径，模型的名字记得别加载错了，model也叫改为test模式，接着是确定转换的方向，注意cycleGAN可以做两个方向的转换，根据你所用的数据和想要的转换设置相应的方向，最后数据模式记得切换为single。根据这些参数来加载需要的测试文件，进而加载模型。
注意：这一过程不需要用到GPU，CPU下就可以测试了。
