【代码阅读】WarpGAN: Automatic Caricature Generation

代码链接

参考书籍：《Tensorflow 实战Google深度学习框架》

我觉得看一下第三章可以更清晰的了解tensorflow是怎么建立，训练一个神经网络的。

1. train.py

这份文件定义了主函数

def main(args):

初始化：

# Initalization for running
    if config.save_model:
        log_dir = utils.create_log_dir(config, config_file)
        summary_writer = tf.summary.FileWriter(log_dir, network.graph)
    if config.restore_model:
        network.restore_model(config.restore_model, config.restore_scopes)

    proc_func = lambda images: preprocess(images, config, True)
    trainset.start_batch_queue(config.batch_size, proc_func=proc_func)

这里的config参数设置都来自于文件 WarpGAN\config\default.py

数据集读取初始化等操作来自于文件 WarpGAN\utils\dataset.py

主循环：

# Main Loop
    print('\nStart Training\nname: {}\n# epochs: {}\nepoch_size: {}\nbatch_size: {}\n'.format(
            config.name, config.num_epochs, config.epoch_size, config.batch_size))
    global_step = 0
    start_time = time.time()
    for epoch in range(config.num_epochs):

        if epoch == 0: test(network, config, log_dir, global_step)

        # Training
        for step in range(config.epoch_size):
            # Prepare input
            learning_rate = utils.get_updated_learning_rate(global_step, config)
            batch = trainset.pop_batch_queue()

            wl, sm, global_step = network.train(batch['images'], batch['labels'], batch['is_photo'], learning_rate, config.keep_prob)

            wl['lr'] = learning_rate

            # Display
            if step % config.summary_interval == 0:
                duration = time.time() - start_time
                start_time = time.time()
                utils.display_info(epoch, step, duration, wl)
                if config.save_model:
                    summary_writer.add_summary(sm, global_step=global_step)

wl, sm, global_step = network.train(batch['images'], batch['labels'], batch['is_photo'], learning_rate, config.keep_prob)

这句话是重点，调用了网络的训练

2. warpgan.py

这个文件中定义了warpgan这个网络的计算图，前向传播以及损失函数。

训练神经网络的过程可以概括为下面这三个步骤：

1）定义神经网络的结构和前向传播的输出结果

2）定义损失函数（根据前向传播的输出结果计算出来的）以及反向传播优化的算法

3）生成会话（tf.Session（）），并在训练数据上反复运行反向传播优化算法

    def train(self, images_batch, labels_batch, switch_batch, learning_rate, keep_prob):
        images_A = images_batch[~switch_batch]
        images_B = images_batch[switch_batch]
        labels_A = labels_batch[~switch_batch]
        labels_B = labels_batch[switch_batch]
        scales_A = np.ones((images_A.shape[0]))
        scales_B = np.ones((images_B.shape[0]))
        feed_dict = {   self.images_A: images_A,
                        self.images_B: images_B,