Skip to content

Latest commit

 

History

History
132 lines (94 loc) · 5.22 KB

get_started.md

File metadata and controls

132 lines (94 loc) · 5.22 KB
Raw

快速开始

PaddleGAN是飞桨生成对抗网络（GAN）开发套件，提供多种经典前沿网络的高性能复现，应用覆盖图像生成、风格迁移、动作驱动、影像超分及上色等多种领域。

本章节将以CycleGAN模型在Cityscapes数据集上的训练预测作为示例，教大家如何快速上手使用PaddleGAN。

注意，PaddleGAN中所有的模型配置文件均可在 ./PaddleGAN/configs 中找到。

目录

安装

关于安装配置运行环境，请参考安装文档完成Paddle及PaddleGAN的安装。

在本演示案例中，假设用户将PaddleGAN的代码克隆并放置在 ’/home/paddle‘ 目录中。用户执行的命令操作均在 ’/home/paddle/PaddleGAN‘ 目录下完成。

数据准备

按照数据准备文档准备Cityscapes数据集。

  • 使用脚本下载Cityscapes数据集到 ~/.cache/ppgan 并软连接到 PaddleGAN/data/ 下：
python data/download_cyclegan_data.py --name cityscapes

训练

1. 单卡训练

python -u tools/main.py --config-file configs/cyclegan_cityscapes.yaml

参数

  • --config-file (str): 配置文件的路径。此处用的是CycleGAN在Cityscapes数据集上训练的配置文件。
  • 输出的日志，权重，可视化结果会默认保存在./output_dir中，可以通过配置文件中的output_dir参数修改：
output_dir: output_dir
  • 保存的文件夹会根据模型名字和时间戳自动生成一个新目录，目录示例如下：
output_dir
└── CycleGANModel-2020-10-29-09-21
    ├── epoch_1_checkpoint.pkl
    ├── log.txt
    └── visual_train
        ├── epoch001_fake_A.png
        ├── epoch001_fake_B.png
        ├── epoch001_idt_A.png
        ├── epoch001_idt_B.png
        ├── epoch001_real_A.png
        ├── epoch001_real_B.png
        ├── epoch001_rec_A.png
        ├── epoch001_rec_B.png
        ├── epoch002_fake_A.png
        ├── epoch002_fake_B.png
        ├── epoch002_idt_A.png
        ├── epoch002_idt_B.png
        ├── epoch002_real_A.png
        ├── epoch002_real_B.png
        ├── epoch002_rec_A.png
        └── epoch002_rec_B.png

可视化训练

飞桨VisualDL是针对深度学习模型开发所打造的可视化分析工具，提供关键指标的实时趋势可视化、样本训练中间过程可视化、网络结构可视化等等，更能直观展示超参与模型效果间关系，辅助实现高效调参。

以下操作请确保您已完成VisualDL的安装，安装指南请见VisualDL安装文档。

通过在配置文件 cyclegan_cityscapes.yaml 中添加参数enable_visualdl: true使用 飞桨VisualDL对训练过程产生的指标或生成的图像进行记录，并运行相应命令对训练过程进行实时监控：

如果想要自定义飞桨VisualDL可视化内容，可以到 ./PaddleGAN/ppgan/engine/trainer.py 中进行修改。

本地启动命令：

visualdl --logdir output_dir/CycleGANModel-2020-10-29-09-21/

更多启动方式及可视化功能使用指南请见VisualDL使用指南。

恢复训练

在训练过程中默认会保存上一个epoch的checkpoint在output_dir中，方便恢复训练。

本次示例中，cyclegan的训练默认每五个epoch会保存checkpoint，如需更改，可以到**config文件中的interval**进行修改。

python -u tools/main.py --config-file configs/cyclegan_cityscapes.yaml --resume your_checkpoint_path
  • --resume (str): 用来恢复训练的checkpoint路径（保存于上面配置文件中设置的output所在路径）。

2. 多卡训练

CUDA_VISIBLE_DEVICES=0,1 python -m paddle.distributed.launch tools/main.py --config-file configs/cyclegan_cityscapes.yaml

预测

python tools/main.py --config-file configs/cyclegan_cityscapes.yaml --evaluate-only --load your_weight_path
  • --evaluate-only: 是否仅进行预测。
  • --load (str): 训练好的权重路径。