pytorch 深度学习实战（谷歌史上最强GAN）

威哥 2022-12-28 10:43:18 875

pytorch 深度学习实战（谷歌史上最强GAN）团队开源了预训练模型，只要pip install一下，你有什么大胆想法，就可以实施了。一向以造福人类为己任的抱抱脸 (Hugging Face) 团队，用PyTorch复现了这个“史上最强”GAN。那么，狗 × 汉堡 = ？一看就是亲生的。现在，身为PyTorch用户的你，也可以拥有一只BigGAN，而且不用自己训练，便能直接玩耍。

魔栗发自凹非寺

量子位报道 | 公众号 QbitAI

你知道么，和BigGAN一起玩耍，会上瘾的。

比如，生成了一只狗，再生成了一只汉堡。

pytorch 深度学习实战（谷歌史上最强GAN）(1)

那么，狗 × 汉堡 = ？

pytorch 深度学习实战（谷歌史上最强GAN）(2)

一看就是亲生的。

现在，身为PyTorch用户的你，也可以拥有一只BigGAN，而且不用自己训练，便能直接玩耍。

一向以造福人类为己任的抱抱脸 (Hugging Face) 团队，用PyTorch复现了这个“史上最强”GAN。

团队开源了预训练模型，只要pip install一下，你有什么大胆想法，就可以实施了。

推特用户纷纷表示欢迎：

pytorch 深度学习实战（谷歌史上最强GAN）(3)

还原度极高

开源项目里有三个模型，是不同分辨率的bigGAN：

128×128，256×256，512×512。

抱抱脸团队说，模型的参数都是BigGAN的爸爸DeepMind官方训练的成果。

pytorch 深度学习实战（谷歌史上最强GAN）(4)

团队说，他们是用官方的原始计算图 (Computation Graph) 来复现的，与原模型的表现几乎无差：输出差异 (Output Difference) 的方差在10^-5级。

官方模型是放在TensorFlow Hub上，抱抱脸还提供了把TF模型转成PyTorch模型时，用到的脚本。

更加温柔的是，最后会显示生成效果：

pytorch 深度学习实战（谷歌史上最强GAN）(5)

肉眼看去，成果喜人。

食用方法

如果只是想随意玩耍的话，pip install就够了。

如果要用前面提到的转换脚本，以及ImageNet实用程序的话，就要再安装一些依赖项。记得要用full_requirements.txt来装：

1 git clone https://github.com/huggingface/pytorch-pretrained-BigGAN.git 2 cd pytorch-pretrained-BigGAN 3 pip install -r full_requirements.txt

128×128模型，有5040多万参数；256×256模型，有5590多万参数；512×512模型，有5620多万参数。三个模型，大小都在200~Mb。

安装之后，正式开始食用：

1import torch 2from pytorch_pretrained_biggan import (BigGAN one_hot_from_names truncated_noise_sample 3 save_as_images display_in_terminal) 4 5# OPTIONAL: if you want to have more information on what's happening activate the logger as follows 6import logging 7logging.basicConfig(level=logging.INFO) 8 9# Load pre-trained model tokenizer (vocabulary) 10model = BigGAN.from_pretrained('biggan-deep-256') 11 12# Prepare a input 13truncation = 0.4 14class_vector = one_hot_from_names(['soap bubble' 'coffee' 'mushroom'] batch_size=3) 15noise_vector = truncated_noise_sample(truncation=truncation batch_size=3) 16 17# All in tensors 18noise_vector = torch.from_numpy(noise_vector) 19class_vector = torch.from_numpy(class_vector) 20 21# If you have a GPU put everything on cuda 22noise_vector = noise_vector.to('cuda') 23class_vector = class_vector.to('cuda') 24model.to('cuda') 25 26# Generate an image 27with torch.no_grad(): 28 output = model(noise_vector class_vector truncation) 29 30# If you have a GPU put back on CPU 31output = output.to('cpu') 32 33# If you have a sixtel compatible terminal you can display the images in the terminal 34# (see https://github.com/saitoha/libsixel for details) 35display_in_terminal(output) 36 37# Save results as png images 38save_as_images(output)

到这里，图像就愉快地生成了。

那么，你有大胆的想法了么？

举个栗子，“红酒烩鸡”：

pytorch 深度学习实战（谷歌史上最强GAN）(6)