使用残差网络与wgan制作二次元人物头像：训练过程详解

最新推荐文章于 2025-05-22 21:47:54 发布
原创 最新推荐文章于 2025-05-22 21:47:54 发布 · 2k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#网络 #计算机视觉 #python

本文详细解析了一个基于ResNet的GAN（生成对抗网络）训练过程。项目主要包含train、model和loss三个文件，通过设置debug进行网络运行情况的检查。在训练中，使用批量噪声输入G网络生成假图，然后与真实图像一起送入D网络进行判别。D网络输出的损失用于更新网络参数。推荐进一步阅读相关笔记了解网络内部流程。

训练过程详解：

项目地址：https://github.com/dlagez/gan_resnet

我们进入到代码中解析

首先这个网络由三部分文件组成。一个train，一个model，一个loss。

整体的文件布局：

image-20211220124233928

设置debug

使用debug来详细查看网络运行的情况。如下设置即可进行debug

v

打断点

只需要在这几个地方打上断点即可查看网络运行的流程：

image-20211220124640223

一批次的图像

前面的参数调式的时候查看一下就行，这里有几个重要的参数需要记录一下。

imgs = (8, 3, 64, 64)

把这一批次的图像送进D网络，D网络会输出一个二维的数组。

image-20211220125518742

D网络

表示一个批次有8张64*

最低0.47元/天 解锁文章
Python从0到100（八十三）：神经网络-使用残差网络RESNET识别手写数字
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
01-08 1万+
MNIST手写数字数据库具有60,000个示例的训练集和10,000个示例的测试集，MNIST的图像，每张图片是包含28 像素× 28 像素的灰度图像（1 通道），各个像素的取值在0 到255 之间。每张图片都由一个28 ×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784）。
Python从0到100（九十八）：融合选择性卷积与残差结构的SKResNet架构详解
最新发布
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
06-02 1万+
Selective Kernel Residual Network（SKResNet） 是一种结合了选择性卷积核机制和残差连接的深度神经网络架构。它通过动态选择不同尺度的卷积核来自适应地提取多尺度特征，在保持计算效率的同时显著提升了模型的表达能力和性能。
【tensorflow-WGAN】生成二次元人物头像
09-28
使用Wgan生成二次元人物头像，train部分代码写的不全，自己根据需求补就行了，数据就使用李宏毅网课上提供的数据，太大了上传不了，网络使用的是DenseNet
使用残差网络与wgan制作二次元人物头像
RocZhang的博客
12-20 1163
使用残差网络与wgan制作二次元人物头像 ref：https://blog.youkuaiyun.com/qq_41103479/article/details/119352714 我复现的项目链接：https://github.com/dlagez/gan_resnet 参考的wgan链接：https://github.com/martinarjovsky/WassersteinGAN 主要有两个地方需要注意，一个使用了wgan的损失函数。 class Wasserstein(nn.Module): def
残差网络（ResNet）训练（CIFAR10）
Always On The Way
06-11 5236
CIFAR10数据集训练残差网络（ResNet） ResNet v1: Deep Residual Learning for Image Recognition ResNet v2: Identity Mappings in Deep Residual Networks 残差网络 v1 Model n 200-epoch accuracy Original paper accura...
使用残差网络resnet与WGAN制作一个生成二次元人物头像的GAN（pytorch）
qq_41103479的博客
08-03 4520
a GAN using Wasserstein loss and resnet to generate anime pics. 一个resnet-WGAN用于生成各种二次元头像（你也可以使用别的图像数据集，用于生成图片） @本项目用于深度学习中的学习交流，如有任何问题，欢迎联系我！联系方式QQ：741533684 #我使用了残差模块设计了了两个相对对称的残差网络，分别做生成对抗网络的的生成器与判别器，基本原理其实与DCGAN类似。在此基础上，使用了不同于Binary cross entropy los
gan，wgan对抗生成网络二次元头像训练数据集
07-05
龙龙老师教程gan，wgan 280M训练数据集，二次元头像，一共280M，原来的baidupan里的失效了。
从原理到实践：一文详解残差网络
2201_75491841的博客
05-22 1600
残差网络作为深度学习领域的经典模型，通过引入残差连接，巧妙地解决了网络退化问题，使得训练更深层次的神经网络成为可能。其简单而有效的结构设计，不仅在图像识别等领域取得了优异的成绩，还对整个深度学习研究产生了深远的影响。随着深度学习研究的不断深入，残差网络也在不断发展和改进。未来，残差网络可能会与其他新兴技术（如自注意力机制、生成对抗网络等）相结合，创造出更强大的模型，在更多领域发挥重要作用。同时，如何进一步优化残差网络的结构，提高其计算效率和泛化能力，也是值得深入研究的方向。
【深度学习】最强算法之：残差网络（ResNet）
商务合作 | 面试培训 | 职场规划 ==>主页扫码
05-06 7464
一篇掌握深度学习算法之：残差网络
从零开始搭建 ResNet 之 残差网络（持续更新）
xunan003的博客
06-14 3747
点击打开链接（1） 点击打开链接（2） 点击打开链接(3）
对抗生成网络(gan, wgan)二次元头像训练集
12-12
龙龙老师教程gan，wgan，二次元头像训练数据集，一共280M 龙龙老师教程gan，wgan，二次元头像训练数据集，一共280M 龙龙老师教程gan，wgan，二次元头像训练数据集，一共280M
《动手学深度学习》第二十二天---残差网络（ResNet）
qq_39594939的博客
08-11 1687
（一）ResNet提出背景 更深的网络可以进行更加复杂的特征模式的提取，从而理论上更深的网络可以得到更好的结果。 但是通过简单的叠加层的方式来增加网络深度，可能引来梯度消失/梯度爆炸的问题，目前**batch normalization等方法可以解决梯度消失和梯度爆炸的问题。**但是使用了各种normalization的方法也不能是深层网络的效果好于浅层网络。 理论上，若A为浅层网络，B为深层网...
简单介绍Pytorch实现WGAN用于动漫头像生成
Linuxprobe18的博客
05-19 1216
导读 这篇文章主要介绍了Pytorch实现WGAN用于动漫头像生成，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧 WGAN与GAN的不同 去除sigmoid 使用具有动量的优化方法，比如使用RMSProp 要对Discriminator的权重做修整限制以确保lipschitz连续约 WGAN实战卷积生成动漫头像 import torch import torch.nn as nn import torchvisio
深度残差网络
Asun0204的博客
02-21 3628
Deep Residual Learning for Image Recognition He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recogni...
WGAN
Drug discovery
04-01 1万+
WGAN相比原始GAN的算法实现流程却只改了四点： 判别器最后一层去掉sigmoid 生成器和判别器的loss不取log 每次更新判别器的参数之后把它们的绝对值截断到不超过一个固定常数c 不要用基于动量的优化算法（包括momentum和Adam），推荐RMSProp，SGD也行 ...
GAN Step By Step -- Step7 WGAN
风信子的猫Redamancy的快乐星球
01-10 1489
WGAN，即Wasserstein GAN，算是GAN史上一个比较重要的理论突破结果，它将GAN中两个概率分布的度量从f散度改为了Wasserstein距离，从而使得WGAN的训练过程更加稳定，而且生成质量通常也更好。Wasserstein距离跟最优传输相关，属于Integral Probability Metric（IPM）的一种，这类概率度量通常有着更优良的理论性质，因此WGAN的出现也吸引了很多人从最优传输和IPMs的角度来理解和研究GAN模型。
对抗生成网络GAN系列——WGAN原理及实战演练
秃头小苏的博客
11-10 6367
  在前面我已经写过好几篇关于GAN的文章，感兴趣的可以点击下列链接了解详情：  在文章[5]的最后，我们从训练结果中可以看出效果并不是很理想，其实难以训练是GAN网络训练普遍存在的问题。本篇文章将为大家带来WGAN（Wasserstein Generative Adversarial Networks ），旨在解决GAN难train的问题。这篇论文中有大量的理论推导，我不会带着大家一个个推，当然很多我也不会，但是我尽可能的把一些关键部分给大家叙述清楚，让大家从心底认可WGAN，觉得WGAN是合理的，是美妙
深度探索：机器学习中的WGAN（Wasserstein GAN）算法原理及其应用
qq_51320133的博客
04-22 1万+
Wasserstein GAN通过引入Wasserstein距离作为损失函数，成功解决了传统GAN训练中的诸多问题，显著提升了生成模型的稳定性和生成样本的质量。尽管存在K-Lipschitz约束实现复杂、计算效率相对较高等不足，但其在图像生成、数据增强、自然语言处理等领域的广泛应用证明了其强大的实用价值。 未来，WGAN的研究方向可能包括但不限于：探索更高效、鲁棒的K-Lipschitz约束实现方法；结合其他深度学习技术（如自注意力机制、Transformer等）进一步提升生成模型的性能；以及在更多新兴领
二次元头像生成(DCGAN/WGAN)数据集下载,人工删除部分错误图像.
docoter_c的博客
05-11 1097
该数据集有5万多张96*96的二次元头像,从网上下载后人工删除部分只有身子\模糊\单色等主观判断不行的图像后的数据集. 大小260MB左右. 百度网盘地址:https://pan.baidu.com/s/1QpwhGHS5NWcw6mdXzg37oA 提取码:l4mr ...
深度残差网络ResNet详解：解决训练难题与网络退化
"ResNet是深度学习领域的一个重要突破，由Kaiming He等人在2015年提出，主要解决了深度卷积神经网络（CNN）在训练过程中出现的网络退化问题，即随着网络层数增加，模型性能不增反降的现象。ResNet通过引入残差块...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

dlage

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值