ndspore框架CycleGAN模型实现图像风格迁移|（一）CycleGAN神经网络模型构建

Mindspore框架：CycleGAN模型实现图像风格迁移算法

1. Mindspore框架CycleGAN模型实现图像风格迁移|（一）CycleGAN神经网络模型构建
2. Mindspore框架CycleGAN模型实现图像风格迁移|（二）实例数据集（苹果2橘子）
3. Mindspore框架CycleGAN模型实现图像风格迁移|（三）损失函数计算
4. Mindspore框架CycleGAN模型实现图像风格迁移|（四）CycleGAN模型训练
5. Mindspore框架CycleGAN模型实现图像风格迁移|（五）CycleGAN模型推理与资源下载

---

CycleGAN神经网络模型构建

1. 关于CycleGAN神经网络模型

CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络。
该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。实现图像风格迁移。

经典风格迁移模型Pix2Pix，要求训练数据必须是成对的，而现实生活中，要找到两个域（画风）成对出现的图片是相当困难的。 CycleGAN是一种新的无监督的图像迁移网络。更有可行性。

CycleGAN 网络本质上是由两个镜像对称的 GAN 网络组成，其结构如下：

X是一种风格，比如苹果；Y 是另一种风格，比如橘子。
𝐺为将苹果风格X生成橘子风格Y的生成器网络；𝐹为将橘子生成的苹果风格的生成器网络。
𝐷𝑋和 𝐷𝑌为其相应判别器网络。
模型最终能够输出两个模型的权重，分别将两种图像的风格进行彼此迁移，生成新的图像。

2.CycleGAN构建

输入大小为256×256以上的，需要采用9个残差块相连，超参数 n_layers=9 参数控制残差块数。
构建ConvNormReLU，ResidualBlock子网络，搭建ResNetGenerator实现G、F生成器。

1. 生成器网络构建

import mindspore.nn as nn
import mindspore.ops as ops
from mindspore.common.initializer import Normal

weight_init = Normal(sigma=0.02)

class ConvNormReLU(nn.Cell):
    def __init__(self, input_channel, out_planes, kernel_size=4, stride=2, alpha=0.2, norm_mode='instance',
                 pad_mode='CONSTANT', use_relu=True, padding=None, transpose=False):
        super(ConvNormReLU, self).__init__()
        norm = nn.BatchNorm2d(out_planes)
        if norm_mode == 'instance':
            norm = nn.BatchNorm2d(out_planes, affine=False)
        has_bias = (norm_mode == 'instance')
        if padding is None:
            padding = (kernel_size - 1) // 2
        if pad_mode == 'CONSTANT':
            if transpose:
                conv = nn.Conv2dTranspose(input_channel, out_planes, kernel_size, stride, pad_mode='same',
                                          has_bias=has_bias, weight_init=weight_init)
            else:
                conv = nn.Conv2d(input_channel, out_planes