关于CGAN的原理上节已经讲过这次主要是编写代码加载上节训练后的模型来进行指定条件的生成

图像的生成其实只需要使用Generator模型判别器模型是在训练过程中才用的。

库引入

-1:torch.nn.init.normal_(m.weight,

0.0,

-1:torch.nn.init.normal_(m.weight,

1.0,

0.02)torch.nn.init.zeros_(m.bias)#

class

__init__(self):super().__init__()self.label_conditioned_generator

nn.Sequential(nn.Embedding(n_classes,

embedding_dim),nn.Linear(embedding_dim,

16))self.latent

nn.Sequential(nn.Linear(latent_dim,

nn.Sequential(nn.ConvTranspose2d(513,

64*8,

biasFalse),nn.BatchNorm2d(64*8,

momentum0.1,

eps0.8),nn.ReLU(True),nn.ConvTranspose2d(64*8,

64*4,

biasFalse),nn.BatchNorm2d(64*4,

momentum0.1,

eps0.8),nn.ReLU(True),nn.ConvTranspose2d(64*4,

64*2,

biasFalse),nn.BatchNorm2d(64*2,

momentum0.1,

eps0.8),nn.ReLU(True),nn.ConvTranspose2d(64*2,

64*1,

biasFalse),nn.BatchNorm2d(64*1,

momentum0.1,

eps0.8),nn.ReLU(True),nn.ConvTranspose2d(64*1,

forward(self,

self.label_conditioned_generator(label)label_output

4)latent_output

self.latent(noise_vector)latent_output

512,

print(generator)Generator((label_conditioned_generator):

Sequential((0):

generator.load_state_dict(torch.load(generator_epoch_300.pth),

strictFalse)

torch.tensor(interpolated).to(device).type(torch.float32)#

生成条件变量

labels.to(device).unsqueeze(1).long()#

执行生成

warnings.filterwarnings(ignore)#

设置中文字体

plt.rcParams[axes.unicode_minus]

False

plt.imshow(pred.astype(np.uint8))

总结与心得

在本次实验的过程中我了解了CGAN模型在训练完成后后续如何使用的步骤

保存训练好的生成器的权重使用生成器加载生成随机分布变量用于生成图像生成指定的标签并转换成控制向量执行生成操作

另外关于警告和matplotlib设置中文字体的方式也是经常会用到的技巧。