delete todo

Generative/README.md

@@ -34,13 +34,12 @@ python dcgan.py
 - `-m` 多机训练
 
 
-
 其他需要注意的是：
 
 - 训练将会默认使用minst数据集，如果第一次使用脚本，将会默认将数据集下载到`.data/`目录
 - 训练结束后，将会默认保存模型到`.checkpoint/`目录下
 - 模型的结构和参数参考了tensorflow的[官方示例](https://www.tensorflow.org/tutorials/generative/dcgan)，可以通过-c参数来跟tensorflow的实现进行对齐测试
-- 模型会定期将生成的图片存储到`.gout/`目录，并在训练结束后生成图片演化的动图
+- 模型会定期将生成的图片存储到`.gout/`目录，并在训练结束后生成图片演化的动图,生成动图的过程会依赖python包`imageio`
 
 ![](https://raw.githubusercontent.com/JamiePlur/picgo/master/20200615170256.png)
 
@@ -73,32 +72,3 @@ python pix2pix.py
 - 模型会在训练中定期将生成的图片存储到`.gout/`目录
 
 ![image-20200701153752019](https://raw.githubusercontent.com/JamiePlur/picgo/master/20200701153829.png)
-
-## [TODO]
-
-
-
-### GAN精度评价
-
-- GAN的精度评价只存在于基本gan结构下，风格迁移没有定量的精度评价
-- GAN最主要的评价指标主要为inception score和Fréchet Inception Distance，都需要借助预训练的inceptionV3模型，并在imagenet分类数据集上使用，目前还没有实现
-- 比较SOTA的GAN模型为了冲榜，都会附上性能指标
-- 可以参考一些论文对GAN的评估工作，比较有代表性的是[How good is my gan？](https://lear.inrialpes.fr/people/alahari/papers/shmelkov18.pdf)
-
-![image-20200701103940612](https://raw.githubusercontent.com/JamiePlur/picgo/master/20200701154135.png)
-
-
-
-### GAN的预训练模型
-
-- 目前还没有可用的预训练模型，自行训练的主要困难有：
-  - GAN涉及的数据集非常多，数据处理的流水线没有建立起来
-  - GAN的调参非常困难，稳定性差
-- 只有在大型数据集上的预训练模型才有意义，训练mnist数据集这种模型没有泛化价值
-
-
-
-### CycleGAN
-
-- cyclegan已经搭建完成，但是由于模型较大，跑不起来
-- gan的模型普遍较大
\ No newline at end of file

Generative/dcgan.py

@@ -63,7 +63,7 @@ class DCGAN:
             nodes.append(addr_dict)
         flow.env.machine(nodes)
 
-    def train(self, epochs=1, model_dir=None, save=False):
+    def train(self, epochs=1, model_dir=None, save=True):
         func_config = flow.FunctionConfig()
         func_config.default_data_type(flow.float)
         func_config.default_distribute_strategy(flow.distribute.consistent_strategy())
@@ -149,6 +149,15 @@ class DCGAN:
                     self._eval_model_and_save_images(
                         eval_generator, batch_idx + 1, epoch_idx + 1
                     )
+        if save:
+            from datetime import datetime
+            if not os.path.exists("checkpoint"):
+                os.mkdir("checkpoint")
+            check_point.save(
+                "checkpoint/dcgan_{}".format(
+                    str(datetime.now().strftime("%Y-%m-%d-%H:%M:%S"))
+                )
+            )
 
     def save_to_gif(self):
         anim_file = "dcgan.gif"

Generative/layers.py

@@ -103,8 +103,8 @@ def conv2d(
     return output
 
 
-def batchnorm(input, name, axis=1):
-    return flow.layers.batch_normalization(input, axis=axis, name=name)
+def batchnorm(input, name, axis=1, reuse=False):
+    return flow.layers.batch_normalization(input, axis=axis)
 
 
 def dense(

Generative/pix2pix.py

@@ -285,6 +285,8 @@ class Pix2Pix:
             _PATH = os.path.join(os.getcwd(), "data/facades.tar.gz")
             _URL = "https://people.eecs.berkeley.edu/~tinghuiz/projects/pix2pix/datasets/facades.tar.gz"
             path_to_zip = tf.keras.utils.get_file(_PATH, origin=_URL, extract=True)
+        else:
+            print("Found Facades - skip download")
 
         input_imgs, real_imgs = [], []
         for d in os.listdir(os.path.join("data/facades/", mode)):
@@ -437,7 +439,7 @@ class Pix2Pix:
             if not os.path.exists("checkpoint"):
                 os.mkdir("checkpoint")
             check_point.save(
-                "checkpoint/cp_{}".format(
+                "checkpoint/pix2pix_{}".format(
                     str(datetime.now().strftime("%Y-%m-%d-%H:%M:%S"))
                 )
             )