CycleGAN（四）inference过程与model定义

背景：我们需要搞懂cycleGAN如何对已有图片进行inference

目录

一、嵌套位置

1.1 调用位置

1.2 inference调用的函数

二、前馈运算

2.1 forward

2.2 实验结果及解释

三、模型

3.1 模型定义

3.2 定义loss

3.3 模型结构

---

一、嵌套位置

1.1 调用位置

test.py之中，很容易看到调用inference的部分

    for i, data in enumerate(dataset):
        if i >= opt.num_test:  # only apply our model to opt.num_test images.
            break
        model.set_input(data)  # unpack data from data loader
        model.test()           # run inference
        visuals = model.get_current_visuals()  # get image results
        img_path = model.get_image_paths()     # get image paths

1.2 inference调用的函数

二、前馈运算

2.1 forward

    def forward(self):
        """Run forward pass; called by both functions <optimize_parameters> and <test>."""
        self.fake_B = self.netG_A(self.real_A)  # G_A(A)
        self.rec_A = self.netG_B(self.fake_B)   # G_B(G_A(A))
        self.fake_A = self.netG_B(self.real_B)  # G_B(B)
        self.rec_B = self.netG_A(self.fake_A)   # G_A(G_B(B))

 

• real_A输入netG_A 生成 fake_B
• fake_B输入netG_B生成fake_A
• real_B输入netG_B生成fake_A
• fake_A输入netG_A生成rec_B
• 即fake就是根据real通过生成器G生成的
• rec就是re-cycle，就是A通过两次生成器返回的A

2.2 实验结果及解释

这也给实验结果一定的解释：

• 训练时模型是从trainA是正常布料，trainB是棉布料，测试时testA是正常，testB是撕裂布料
• 即训练： 正常——棉   ，模型是从正常布料到棉布料的迁移
• 测试：正常——破裂

   

分别是realA，fakeA，recA

   

分别是realB，fakeB，recB

三、模型

3.1 模型定义

base_model.py与cycle_gan_model.py之中定义了模型，loss等各种信息。

3.2 定义loss

具体参见：

CycleGAN（五）loss理解及更改与实验

初始化时定义了几种loss的名称，后面定义了backward_D_basic和backward_G

3.3 模型结构

    def forward(self):
        """Run forward pass; called by both functions <optimize_parameters> and <test>."""
        self.fake_B = self.netG_A(self.real_A)  # G_A(A)
        self.rec_A = self.netG_B(self.fake_B)   # G_B(G_A(A))
        self.fake_A = self.netG_B(self.real_B)  # G_B(B)
        self.rec_B = self.netG_A(self.fake_A)   # G_A(G_B(B))