pytorch==1.2.0
本仓库以horse2zebra（马与斑马）数据集为示例，训练了转换的例子，训练好的生成器与判别器模型如下：
Generator_A2B_horse2zebra.pth；
Generator_B2A_horse2zebra.pth；
Discriminator_A_horse2zebra.pth；
Discriminator_B_horse2zebra.pth；
可以通过网盘下载或者通过GITHUB下载。
权值的网盘地址如下：
链接: https://pan.baidu.com/s/1mbg-nNX0BuXWff3J4rde3Q 提取码: ykdc
常用的数据集地址如下：
链接: https://pan.baidu.com/s/1xng_uQjyG-8CFMktEXRdEg 提取码: grtm
- 下载完库后解压，下载对应权值文件存放到model_data中。
- 运行predict.py文件。
- 输入需要预测的图片路径，获得预测结果。
- 按照训练步骤训练。
- 在cyclegan.py文件里面，在如下部分修改model_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件。
_defaults = {
#-----------------------------------------------#
# model_path指向logs文件夹下的权值文件
#-----------------------------------------------#
"model_path" : 'model_data/Generator_A2B_horse2zebra.pth',
#-----------------------------------------------#
# 输入图像大小的设置
#-----------------------------------------------#
"input_shape" : [128, 128],
#-------------------------------#
# 是否进行不失真的resize
#-------------------------------#
"letterbox_image" : True,
#-------------------------------#
# 是否使用Cuda
# 没有GPU可以设置成False
#-------------------------------#
"cuda" : True,
}- 运行predict.py文件。
- 输入需要预测的图片路径，获得预测结果。
- 训练前将期望转换的图片文件放在datasets文件夹下，一共两类，训练目的是让A类与B类互相转换。
- 运行根目录下面的txt_annotation.py，生成train_lines.txt，保证train_lines.txt内部是有文件路径内容的。
- 运行train.py文件进行训练，训练过程中生成的图片可查看results/train_out文件夹下的图片。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent