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。。。