用cycleGAN训练跨域转换图片时发现，从A到B（比如从斑马到马）效果要远远差于从B到A。这是怎么回事？
你这句大佬 叫的我心里 美滋滋 特得 看下是不是 叫我的
侠之大者，为国为民。。。大侠除了武艺高强也乐于助人
现在的主要问题是，风格迁移得太慢，太不彻底。我考虑是不是各个部分 loss 的权重比例有问题
考虑，是不是 consistency loss 和 identity loss 的比例太高了，导致风格迁移太少
我全都用的IN，没用LN和adaILN的情况下也是如此，所以还考虑是loss的构成问题
侠道
loss比例得看他们具体的值是多少才方便权衡
可以尝试下吧loss cyc的λ从10往下调
我调到1：1：1也是不行，怀疑是不是d根本不work
跑包括你写的静态图的项目，都行。我改成动态图，也不知道还有什么坑没爬出来
再不行，我就先用最古老的那种只输出一个值的D试试
感觉写gan哪哪都是没出的坑儿
Paddle 出了个新的gan库，代码似乎是2.0版本的，再试试那个
或者试试用wgan的loss
这么强，能把CycleGAN的动态图改成静态图
说错了 是静态图改成动态图 模型里有好多Program
因为这个是17年的paper，另外框架也不一样有一些细节可能没处理到位 效果会有差异的
动态图要比静态图更直观、简单
那些复现论文的大佬们都在研究把paddle版本与其他框架的输入、输出对齐。。。
你这句大佬 叫的我心里 美滋滋 特得 看下是不是 叫我的
侠之大者，为国为民。。。大侠除了武艺高强也乐于助人
现在的主要问题是，风格迁移得太慢，太不彻底。我考虑是不是各个部分 loss 的权重比例有问题
考虑，是不是 consistency loss 和 identity loss 的比例太高了，导致风格迁移太少
我全都用的IN，没用LN和adaILN的情况下也是如此，所以还考虑是loss的构成问题
侠道
loss比例得看他们具体的值是多少才方便权衡
可以尝试下吧loss cyc的λ从10往下调
我调到1：1：1也是不行，怀疑是不是d根本不work
跑包括你写的静态图的项目，都行。我改成动态图，也不知道还有什么坑没爬出来
再不行，我就先用最古老的那种只输出一个值的D试试
感觉写gan哪哪都是没出的坑儿
Paddle 出了个新的gan库，代码似乎是2.0版本的，再试试那个
或者试试用wgan的loss
这么强，能把CycleGAN的动态图改成静态图
说错了 是静态图改成动态图 模型里有好多Program
因为这个是17年的paper，另外框架也不一样有一些细节可能没处理到位 效果会有差异的
动态图要比静态图更直观、简单
那些复现论文的大佬们都在研究把paddle版本与其他框架的输入、输出对齐。。。