项目代码及数据链接见文末
没有配对图像能够进行图像生成吗？当然可以，CycleGan不需要配对的数据，例如，只要我们知道马的样子和斑马的样子，我们就能够很轻松的将马转化为斑马。
1.网络结构
传统GAN网络是，我们将图像输入到一个生成器网络中得到一个假的图像，然后再输入到判别器进行判别。
那么。传统GAN网络能不能做呢？很显然，并不能。对于输入的斑马来说，现在没有配对的马的图片，马的图片是完完全全不同的分布。这时候，我们需要从形态各异的斑马生成形态各异的马。这很可能导致模式崩塌问题。因此，我们可以采取一种新的方法，让斑马生成的马保持其原来的形态，这样就不容易导致模式崩塌问题了
那么现在怎么做呢？因此，我们可以结合翻译应该是“循环一致的”的性质，即如果我们翻译，例如，把一个句子从英语翻译成法语，然后把它从法语翻译回英语，我们应该返回到原来的句子。即我们现在既要让斑马转化成马，但是马的形态、场景保持不变，能够很好的返回斑马。
此时我们需要两对生成网络。Gab和Gba，GAB生成一个马。然后GBA进行还原，意思是，生成出的马必须进行限制，保持其原有的形态(动作都不变），同时要与马足够相似。
整体网络架构如下，网络由两对GAN组成，一个网络由马生成斑马，另一个网络由斑马变成马。
PatchGAN的原理
patchGAN的原理是，我们先使用卷积，将图像降维为N*N的矩阵，此时，矩阵每一个特征点就代表一个小区域。我们的标签也是N*N的矩阵，最后，我们计算N*N矩阵的损失(MSE损失）
2.项目简介
下载数据：Index of /cyclegan/datasets
将数据集下载到dataset文件夹中
下载预训练权重：Index of /cyclegan/pretrained_models
模型的测试
运行：text.py
python test.py --dataroot ./datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout
或者直接指定参数
效果由斑马生成马
模型的训练
运行train.py
指定参数
网络流程
在cycle gan中。我们需要训练两个GAN网络，每个GAN网络包含2个生成器和2个判别器
首先是训练判别器。
第一个GAN网络
- 首先由马生成斑马，进入判别器判别
- 然后由生成的斑马重新再生成马，进入判别器判别
第二个GAN网络
- 首先，由斑马生成马，进入判别器判别
- 再由生成的马重新生成斑马，进行判别器判别
identity loss
生成器损失
如果A2B网络是需要由马生成斑马，那么当我们之间输入斑马的时候呢？很显然，我们需要输出斑马本身，因此，当模型输入斑马的时候，我们也需要计算损失，希望生成图片与原图片足够相似。B2A也类似
然后由马生成斑马，计算一次损失，计算生成的斑马和真斑马之间的MSE损失，斑马还原为马，计算一次损失，计算还原的马和原来的马之间的损失。由斑马生成马也是如此。
判别器损失
在判别器网络中，期望真实图片输出概率为1， 假的图片输出概率为0。然后计算相应的判别器损失。
链接：https://pan.baidu.com/s/1sRzDaBek7unZhzldVuh0Yw?pwd=bw3o
提取码：bw3o
