1. Training （MUNIT）
2. Inference one image in multiple style
3. Compare with other method

conda install pytorch=0.4.1 torchvision cuda91 -c pytorch;
conda install -y -c anaconda pip;
conda install -y -c anaconda pyyaml;
pip install tensorboard tensorboardX;

• bash scripts/demo_train_edges2handbags.sh
• bash scripts/demo_train_edges2shoes.sh
• bash scripts/demo_train_summer2winter_yosemite256.sh

python train.py --config configs/edges2handbags_folder.yaml

 python test.py --config configs/edges2shoes_folder.yaml --input inputs/edges2shoes_edge.jpg --output_folder results/edges2shoes --checkpoint models/edges2shoes.pt --a2b 1 
 

我們參考 BicycleGAN中的Day2night風格，實際在訓練與測試一次，詳細步驟同Training （MUNIT），結果顯示如下：

除了BicycleGAN方法，我們也參考 Pixel2Pixel

Pix2Pix框架基於GAN，既然是基於GAN框架，那麼首先先定義輸入輸出。普通的GAN接收的G部分的輸入是隨機向量，輸出是圖像；D部分接收的輸入是圖像(生成的或是真實的)，輸出是對或者錯。這樣G和D聯手就能輸出真實的圖像。

但對於圖像翻譯任務來說，它的G輸入顯然應該是一張圖x，輸出當然也是一張圖y。但是D的輸入卻應該發生一些變化，因為除了要生成真實圖像之外，還要保證生成的圖像和輸入圖像是匹配的。

1. 梯度下降，G、D交替訓練
2. 使用Adam演算法訓練
3. 在inference的時候，與train的時候一樣，這和傳統CNN不一樣，因為傳統上inference時dropout的實現與train時不同。
4. 在inference的時候，使用test_batch的資料。這也和傳統CNN不一樣，因為傳統做法是使用train set的資料。
5. batch_size = 1 or 4，為1時batch normalization 變為instance normalization

Pix2Pix的損失函數為

為了做對比，同時再去訓練一個普通的GAN，即只讓D判斷是否為真實圖像。

1. style_transfer
2. fast-style-transfer