fix infer and readme (#2518)

* fix infer and readme

PaddleCV/gan/README.md

@@ -7,7 +7,9 @@
 ## 内容
 
 -[简介](#简介)
+
 -[快速开始](#快速开始)
+
 -[参考文献](#参考文献)
 
 ## 简介
@@ -73,10 +75,61 @@ StarGAN, AttGAN和STGAN所需要的[Celeba](http://mmlab.ie.cuhk.edu.hk/projects
 注意: pix2pix模型数据集准备中的list文件需要通过scripts文件夹里的make_pair_data.py来生成，可以使用以下命令来生成：
   python scripts/make_pair_data.py \
     --direction=A2B
-用户可以通过指定direction参数生成list文件，从而确保图像风格转变的方向。
+用户可以通过设置`--direction`参数生成list文件，从而确保图像风格转变的方向。
 
 ### 模型训练
+
+**下载预训练模型:** 
+
+本示例提供以下预训练模型:
+
+| Model| Pretrained model |
+|:---  |:---|
+| Pix2Pix  | [Pix2Pix的预训练模型]()  |
+| CycleGAN | [CycleGAN的预训练模型]() |
+| StarGAN  | [StarGAN的预训练模型]()  |
+| AttGAN   | [AttGAN的预训练模型]()   |
+| STGAN    | [STGAN的预训练模型]()     |
+
+下载完预训练模型之后，通过设置infer.py中`--init_model`加载预训练模型，测试所需要的图片。
+执行以下命令得到CyleGAN的预测结果：
+
+    python infer.py \
+      --model_net=CycleGAN \
+      --init_model=$(path_to_init_model) \
+      --image_size=256 \
+      --dataset_dir=$(path_to_data) \
+      --input_style=$(A_or_B) \
+      --net_G=$(generator_network) \
+      --g_base_dims=$(base_dim_of_generator)
+
+效果如图所示：
+
+
+执行以下命令得到Pix2Pix的预测结果：
+
+    python infer.py \
+      --model_net=Pix2pix \
+      --init_model=$(path_to_init_model) \
+      --image_size=256 \
+      --dataset_dir=$(path_to_data) \
+      --net_G=$(generator_network)
+
+效果如图所示：
+
+
+执行以下命令得到StarGAN,AttGAN和STGAN的预测结果：
+
+    python infer.py \
+      --model_net=$(StarGAN_or_AttGAN_or_STGAN) \
+      --init_model=$(path_to_init_model)\
+      --dataset_dir=$(path_to_data)
+
+效果如图所示：
+
+
 **开始训练：** 数据准备完毕后，可以通过一下方式启动训练：
+
     python train.py \
       --model_net=$(name_of_model) \
       --dataset=$(name_of_dataset) \
@@ -85,15 +138,23 @@ StarGAN, AttGAN和STGAN所需要的[Celeba](http://mmlab.ie.cuhk.edu.hk/projects
       --test_list=$(path_to_test_data_list) \
       --batch_size=$(batch_size)
 
-用户可以通过设置model_net参数来选择想要训练的模型，通过设置dataset参数来选择训练所需要的数据集。
+- 可选参数见：
+
+    python train.py --help
+    
+- 每个GAN都给出了一份运行示例，放在scripts文件夹内，用户可以直接运行训练脚本快速开始训练。
+- 用户可以通过设置model_net参数来选择想要训练的模型，通过设置dataset参数来选择训练所需要的数据集。
 
 ### 模型测试
 模型测试是利用训练完成的生成模型进行图像生成。infer.py是主要的执行程序，调用示例如下：
+
     python infer.py \
       --model_net=$(name_of_model) \
       --init_model=$(path_to_model) \
       --dataset_dir=$(path_to_data)
       
+- 每个GAN都给出了一份测试示例，放在scripts文件夹内，用户可以直接运行测试脚本得到测试结果。
+
 
 ## 参考文献
 [1] [Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua. Generative Adversarial Networks. 2014. arXiv:1406.2661 [stat.ML].](https://arxiv.org/abs/1406.2661)

PaddleCV/gan/infer.py

@@ -26,6 +26,7 @@ import numpy as np
 import imageio
 import glob
 from util.config import add_arguments, print_arguments
+from data_reader import celeba_reader_creator
 import copy
 
 parser = argparse.ArgumentParser(description=__doc__)
@@ -33,14 +34,12 @@ add_arg = functools.partial(add_arguments, argparser=parser)
 # yapf: disable
 add_arg('model_net',         str,   'cgan',            "The model used")
 add_arg('net_G',             str,   "resnet_9block",   "Choose the CycleGAN and Pix2pix generator's network, choose in [resnet_9block|resnet_6block|unet_128|unet_256]")
-add_arg('input',             str,   None,              "The images to be infered.")
 add_arg('init_model',        str,   None,              "The init model file of directory.")
 add_arg('output',            str,   "./infer_result",  "The directory the infer result to be saved to.")
 add_arg('input_style',       str,   "A",               "The style of the input, A or B")
 add_arg('norm_type',         str,   "batch_norm",      "Which normalization to used")
 add_arg('use_gpu',           bool,  True,              "Whether to use GPU to train.")
 add_arg('dropout',           bool,  False,             "Whether to use dropout")
-add_arg('data_shape',        int,   256,               "The shape of load image")
 add_arg('g_base_dims',       int,   64,                "Base channels in CycleGAN generator")
 add_arg('c_dim',             int,   13,                "the size of attrs")
 add_arg('use_gru',           bool,  False,             "Whether to use GRU")
@@ -51,14 +50,14 @@ add_arg('selected_attrs',    str,
 "the attributes we selected to change")
 add_arg('batch_size',        int,   16,                "batch size when test")
 add_arg('test_list',       str,   "./data/celeba/test_list_attr_celeba.txt",                "the test list file")
-add_arg('dataset_dir',       str,   "./data/celeba/",                "the dataset directory")
+add_arg('dataset_dir',       str,   "./data/celeba/",                "the dataset directory to be infered")
 add_arg('n_layers',        int,     5,      "default layers in generotor")
 add_arg('gru_n_layers',    int,     4,       "default layers of GRU in generotor")
 # yapf: enable
 
 
 def infer(args):
-    data_shape = [-1, 3, args.data_shape, args.data_shape]
+    data_shape = [-1, 3, args.image_size, args.image_size]
     input = fluid.layers.data(name='input', shape=data_shape, dtype='float32')
     label_org_ = fluid.layers.data(
         name='label_org_', shape=[args.c_dim], dtype='float32')
@@ -66,7 +65,7 @@ def infer(args):
         name='label_trg_', shape=[args.c_dim], dtype='float32')
 
     model_name = 'net_G'
-    if args.model_net == 'cyclegan':
+    if args.model_net == 'CycleGAN':
         from network.CycleGAN_network import CycleGAN_model
         model = CycleGAN_model()
         if args.input_style == "A":
@@ -136,10 +135,11 @@ def infer(args):
             images = [real_img_temp]
             for i in range(args.c_dim):
                 label_trg_tmp = copy.deepcopy(label_trg)
-                for j in range(args.batch_size):
+                for j in range(len(label_org)):
                     label_trg_tmp[j][i] = 1.0 - label_trg_tmp[j][i]
-                label_trg_ = map(lambda x: ((x * 2) - 1) * 0.5, label_trg_tmp)
-                for j in range(args.batch_size):
+                label_trg_ = list(
+                    map(lambda x: ((x * 2) - 1) * 0.5, label_trg_tmp))
+                for j in range(len(label_org)):
                     label_trg_[j][i] = label_trg_[j][i] * 2.0
                 tensor_label_org_.set(label_org, place)
                 tensor_label_trg.set(label_trg, place)
@@ -149,7 +149,7 @@ def infer(args):
                     "label_org_": tensor_label_org_,
                     "label_trg_": tensor_label_trg_
                 },
-                              fetch_list=fake.name)
+                              fetch_list=[fake.name])
                 fake_temp = np.squeeze(out[0]).transpose([0, 2, 3, 1])
                 images.append(fake_temp)
             images_concat = np.concatenate(images, 1)
@@ -167,29 +167,33 @@ def infer(args):
             args, shuffle=False, return_name=True)
         for data in zip(reader_test()):
             real_img, label_org, name = data[0]
+            print("read {}".format(name))
             tensor_img = fluid.LoDTensor()
             tensor_label_org = fluid.LoDTensor()
             tensor_img.set(real_img, place)
             tensor_label_org.set(label_org, place)
-            real_img_temp = np.squeeze(real_img).transpose([1, 2, 0])
+            real_img_temp = np.squeeze(real_img).transpose([0, 2, 3, 1])
             images = [real_img_temp]
-            for i in range(cfg.c_dim):
-                label_trg = np.zeros([1, cfg.c_dim]).astype("float32")
-                label_trg[0][i] = 1
+            for i in range(args.c_dim):
+                label_trg = np.zeros(
+                    [len(label_org), args.c_dim]).astype("float32")
+                for j in range(len(label_org)):
+                    label_trg[j][i] = 1
                 tensor_label_trg = fluid.LoDTensor()
                 tensor_label_trg.set(label_trg, place)
                 out = exe.run(
                     feed={"input": tensor_img,
                           "label_trg_": tensor_label_trg},
-                    fetch_list=fake.name)
-                fake_temp = np.squeeze(out[0]).transpose([1, 2, 0])
+                    fetch_list=[fake.name])
+                fake_temp = np.squeeze(out[0]).transpose([0, 2, 3, 1])
                 images.append(fake_temp)
             images_concat = np.concatenate(images, 1)
-            imageio.imwrite(out_path + "/fake_img" + str(epoch) + "_" + name[0],
-                            ((images_concat + 1) * 127.5).astype(np.uint8))
+            images_concat = np.concatenate(images_concat, 1)
+            imageio.imwrite(args.output + "/fake_img_" + name[0], (
+                (images_concat + 1) * 127.5).astype(np.uint8))
 
-    elif args.model_net == 'Pix2pix' or args.model_net == 'cyclegan':
-        for file in glob.glob(args.input):
+    elif args.model_net == 'Pix2pix' or args.model_net == 'CycleGAN':
+        for file in glob.glob(args.dataset_dir):
             print("read {}".format(file))
             image_name = os.path.basename(file)
             image = Image.open(file).convert('RGB')

PaddleCV/gan/scripts/infer_cyclegan.sh

-python infer.py --init_model output/checkpoints/199/ --input data/cityscapes/testA/* --input_style A --model_net cyclegan --net_G resnet_6block  --g_base_dims 32
+python infer.py --init_model output/checkpoints/199/ --dataset_dir "data/cityscapes/testA/*" --image_size 256 --input_style A --model_net CycleGAN --net_G resnet_6block  --g_base_dims 32

PaddleCV/gan/scripts/infer_pix2pix.sh

-python infer.py --init_model output/checkpoints/199/ --input "data/cityscapes/testB/*" --model_net Pix2pix --net_G unet_256
+python infer.py --init_model output/checkpoints/199/ --image_size 256 --dataset_dir "data/cityscapes/testB/*" --model_net Pix2pix --net_G unet_256