T2F 项目使用教程

T2F 项目使用教程

T2F T2F: text to face generation using Deep Learning 项目地址: https://gitcode.com/gh_mirrors/t2/T2F

1. 项目目录结构及介绍

T2F 项目的目录结构如下：

T2F/
├── configs/
│   └── 配置文件
├── data_processing/
│   └── 数据处理模块
├── implementation/
│   └── 代码实现
├── literature/
│   └── 相关文献
├── processed_annotations/
│   └── 处理后的文本注释
├── training_video/
│   └── 训练视频
├── .gitignore
├── LICENSE
├── README.md
├── requirements.txt
└── train_network.py

目录介绍：

• configs/: 包含训练网络的配置文件。
• data_processing/: 包含数据处理和加载模块。
• implementation/: 包含代码实现。
• literature/: 包含相关文献。
• processed_annotations/: 包含处理后的文本注释。
• training_video/: 包含训练视频。
• .gitignore: Git 忽略文件。
• LICENSE: 项目许可证。
• README.md: 项目介绍文件。
• requirements.txt: 项目依赖文件。
• train_network.py: 训练网络的启动文件。

2. 项目启动文件介绍

项目的启动文件是 train_network.py，该文件用于启动训练网络。以下是该文件的主要功能：

• 训练网络: 该脚本负责加载配置文件、初始化模型、加载数据并开始训练。
• 配置文件: 通过 --config 参数指定配置文件路径，例如：

  python train_network.py --config=configs/11.comf
  

3. 项目的配置文件介绍

配置文件位于 configs/ 目录下，例如 11.comf。配置文件中包含以下主要内容：

• 数据路径: 指定图像数据和处理后的文本注释文件路径。
• 模型超参数: 包括 LSTM 超参数、条件增强超参数、ProGAN 超参数等。
• 训练超参数: 包括训练轮数、批量大小、反馈因子等。

示例配置文件内容：

# 数据路径
images_dir: "/data/LFW/lfw"
processed_text_file: "processed_annotations/processed_text.pkl"
log_dir: "training_runs/11/losses/"
sample_dir: "training_runs/11/generated_samples/"
save_dir: "training_runs/11/saved_models/"

# 模型超参数
captions_length: 100
img_dims: [64, 64]
embedding_size: 128
hidden_size: 256
num_layers: 3
ca_out_size: 178
latent_size: 256
learning_rate: 0.001
beta_1: 0
beta_2: 0
eps: 0.00000001
drift: 0.001
n_critic: 1

# 训练超参数
epochs: [160, 80, 40, 20, 10]
fade_in_percentage: [85, 85, 85, 85, 85]
batch_sizes: [16, 16, 16, 16, 16]
num_workers: 3
feedback_factor: 7
checkpoint_factor: 2
use_matching_aware_discriminator: True

通过配置文件，用户可以自定义训练过程中的各种参数，以适应不同的训练需求。

T2F T2F: text to face generation using Deep Learning 项目地址: https://gitcode.com/gh_mirrors/t2/T2F