---

前言

你敢想象，就是这么一个简单的开源网站，我居然调了一天才通（毕竟是第一次，一些比如visdom，命令行的参数第一次接触到）
本文所使用的开源项目网址：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

一、下载项目，文件结构观察

下载项目完成后，我们看看内部的结构：

据说后面很多开源项目都是按照这个格式来的（大致格式）

二、数据集下载

在ReadMe里面已经提到了数据集下载方式：

但是这里的bash命令一直没有运行成功，所以换用其他方法：
我们打开dataset文件夹：

用记事本打开里面的cyclegan的sh文件，把这行网址复制粘贴（最后一个反斜杠后面的内容删除）：

打开网址，选择你想要的数据集，这里我们的实验选择斑马horse2zebra数据集:

解压之后，把数据集粘贴到datasets下面：

斑马数据集内部长这个样子，后面如果要自己制造数据集也是这样搞：

三、训练

3.1、训练初体验

训练前，看看自己的环境是不是安装好了，尤其是visdom这个可视化库。没用过的话建议先用用看，试一试，防止后面出问题找不出来错误。

在开始训练前，需要打开visdom，在命令行直接输入以下命令：

python -m visdom.server

点击下面的8097网址进去：

下面就是比较关键的，输入训练指令，Readme里面也给出了比较清楚的指令（不过我们需要进行修改）：

python train.py --dataroot ./datasets/maps --name maps_cyclegan --model cycle_gan

我们来解释一下，这三个需要导入的参数分别是什么：？
1）datasets 这个最简单，就是数据集的路径
2）name 这里指的是保存训练权重的文件夹的名字。在开始训练后，文件夹里会生成一个checkpoints子文件夹，用来保存权重文件：

而打开后就是我们命名的文件夹：

里面的权重文件长这样：

web里面放着训练过程
3) model：这个顾名思义就是训练的模型是啥，这个开源项目的模型如下（在model文件夹里）：

在命令行里输入cycle_gan后 程序会自动加上_model

介绍完之后，我们来更改

python train.py --dataroot ./datasets/horse2zebra --name horse2zebra --model cycle_gan

我们在命令行里面运行，不出意外的话，意外就来了：

报错内容：module ‘torch._C’ has no attribute ‘_cuda_setDevice’
在网上查找资料说，这是因为环境里pytorch下载的CPU版本导致的。但是我环境里明明是GPU版本呀，这里有可能是因为CMD命令行识别环境错了，所以我们换在anaconda里面运行：

记得要激活自己的GPU环境，同时切换到文件路径，再输入命令后：

这里开始，训练就正式开始了，训练可视化可以在visdom里面看：

3.2、命令行输入参数

我们在3.1中输入到命令行的参数为：

python train.py --dataroot ./datasets/horse2zebra --name horse2zebra --model cycle_gan

也就三个。其实事实上能输入的不止这些，还有很多其他参数也是可以输入进去的：

在train_options这个py文件中，存在大量的add_argument，这些参数都是可以输入的，且有文字描述，帮助大家理解它们是用来干啥的。

3.3、继续训练命令

比如我昨天训练了15个epoch，今天我想继续训练，可以在命令行中输入下列指令：

从图片中我们可以看到，继续训练的开关被打开了

但是它画图依然是从1epoch开始画的，而不是从我停止训练的15epoch，不知道有没有大神能够指点一下

四、预测

4.1、使用自己训练完的权重文件进行预测

这里我自己训练了15轮，权重文件保存在checkpoint里：

我们在anconda命令行里输入：

python test.py --dataroot ./datasets/horse2zebra --name horse2zebra --model cycle_gan

结果会保存在results 文件夹里：

打开html我们看看效果：

15轮的效果还是一般 轮数没训练够

4.2、使用网上的预训练文件进行预测

首先我们需要在网上下载预训练权重文件：预训练文件

下载完毕后，在check_points文件夹里面新建一个文件夹：horse2zebra.pth_pretrained：

将刚刚下载的预训练权重重新命名为：latest_net_G.pth：

这时候的准备工作已经完成了，此时打开anconda 激活环境 切换路径，输入下列指令：

python test.py --dataroot datasets/horse2zebra/testA --name horse2zebra.pth_pretrained --model test --no_dropout

此时就开始预测了：

预测完成后可以在根目录下的results文件夹中找到结果：

载打开里面的文件夹可以看到

打开html:

可以看到效果明显比我自己训练的好（毕竟我才训练了15轮）