简介
[论文下载地址] [https://arxiv.org/abs/1703.10593]
前言
CycleGan是一种实现图像风格转换功能的GAN网络。早在它出现之前就存在着Pix2Pix实现图像风格转换，但pip2pip具有很大的局限性，主要是针对两种风格图像要对应出现，而现实中很难找到一些风格不同相同图像，也能难去拍摄获得，于是CycleGan就实现这个功能，在两种类型图像之间进行转换，而不需要对应关系，非常强大和实用！！！
生成器和判别器结构
网络下载
模型损失
生成器和判别器的loss函数和GAN是一样的，判别器D尽力检测出生成器G产生的假图片，生成器尽力生成图片骗过判别器
对抗loss:
D Y D_Y DY生成的是矩阵，所以这里对比的是矩阵，使用MSE损失计算loss
Cycle Consistency 损失
- 对抗损失使用的损失函数为BCELoss
作者训练对抗损失时没有使用BCELoss（二分类交叉熵损失函数），而使用的时MSE（均方根误差），作者解释均方根误差的训练效果更好 - 论文中没有写identity损失，但是源码中是体现了Identity损失的，这个损失主要是训练网络的识别能力，表示为 A t o B ( r e a l B ) AtoB(real_B) AtoB(realB)，解释一下，就是将真实的B输入到A生成B的判别器中，查看判别器的识别损失，希望越小越好！说明生成器网络真正的理解了B的结构。同理也存在 B t o A ( r e a l A ) BtoA(real_A) BtoA(realA)。
L i d e n t i t y = E y p d a t a ( y ) [ ∣ ∣ D Y ( G ( y ) ) − y ∣ ∣ 1 ] + E x p d a t a ( x ) [ ∣ ∣ D X ( G ( x ) ) − x ∣ ∣ 1 ] L_{identity} = E_{y~p_{data(y)}}[||D_Y(G(y))-y||_1]+E_{x~p_{data(x)}}[||D_X(G(x))-x||_1] Lidentity=Ey pdata(y)[∣∣DY(G(y))−y∣∣1]+Ex pdata(x)[∣∣DX(G(x))−x∣∣1]
准确的说，
L o s s = L G A N ( G , D Y , X , Y ) + L G A N ( G , D X , Y , X , ) + L c y c + L i d e n t i t y Loss = L_{GAN}(G,D_Y,X,Y) + L_{GAN}(G,D_X,Y,X,)+L_{cyc} + L_{identity} Loss=LGAN(G,DY,X,Y)+LGAN(G,DX,Y,X,)+Lcyc+Lidentity
总结
CycleGAN的应用很多，很丰富，我认为可以与各位的领域相结合，尤其是数据集可以扩充部分，一定能取到很强的功效。另外，我认为CycleGAN网络也可以进行调整，还有很多不足之处，改进模型是一个不错的提议哦！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/210713.html原文链接：https://javaforall.net
![IntelliJ Idea — 多次启动同一个main 方法[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
