在小型图像数据集上训练GAN

问题描述

我已经创建了DCGAN，并已经对其进行了CIFAR-10数据集的培训.现在，我想针对自定义数据集进行训练.

I have created a DCGAN and already trained it for CIFAR-10 dataset. Now, i would like to train it for custom dataset.

我已经收集了大约1200张图像，实际上不可能收集更多图像.我该怎么办?

I have already gathered around 1200 images, it is practicly impossible to gather more. What should i do?

推荐答案

我们将在接下来的几周内发布一篇有关发电机随机反卷积的论文，该论文可以提高此类问题的稳定性和多样性.如果您有兴趣，我可以立即发送最新版本的论文.但总的来说，这个想法很简单:

We are going to post a paper in a coming week(s) about stochastic deconvolutions for generator, that can improve stability and variety for such a problem. If you are interested, I can send a current version of a paper right now. But generally speaking, the idea is simple:

1. 构建经典GAN
2. 对于生成器的较深层(假设其中的一半)，请使用随机反卷积(sdeconv)
3. sdeconv只是一个普通的deconv层，但是正在从一组过滤器中随机选择过滤器.因此，您的过滤器库形状可以是(16，128，3，3)，其中16-库数，128-每个过滤器数，3x3-大小.您在每个训练步骤中选择的过滤器集为[随机统一0-16，:，:，:].未选择的过滤器保持未经训练的状态.在tensorflow中，您想为不同的图像批量选择不同的过滤器集，并且即使没有要求tf也会保留训练变量(我们认为这是一个错误，tf对所有变量使用了最后已知的梯度，即使它们不是被用于当前的动态子图中，因此您必须尽可能多地利用变量.)

就是这样.每个存储库中有3层带有sdeconv的16组，实际上，您将具有不同内部路由的16x16x16 = 4096个组合以产生输出.对小型数据集有何帮助? -通常，小型数据集具有相对较大的主题"方差，但通常，数据集属于一种性质(猫的照片:均为真实照片，但猫的类型不同).在此类数据集中，GAN很快崩溃，但是使用sdeconv:

That's it. Having 3 layers with sdeconv of 16 sets in each bank, practically you'll have 16x16x16 = 4096 combinations of different internal routes to produce an output.How is it helping on a small dataset? - Usually small datasets have relative large "topics" variance, but generally dataset is of one nature (photos of cats: all are realistc photos, but with different types of cats). In such datasets GAN collapses very quickly, however with sdeconv:

1. 上层常规反变换层学习如何重建样式逼真的照片"
2. 较低的sdevond学习子分布:黑猫"，白猫"，红猫"等.
3. 模型可以看作是弱生成器的集合，每个子生成器都很弱并且可以崩溃，但是会得到另一个暂时优于鉴别器的子生成器的支持".

MNIST是此类数据集的一个很好的例子:主题"差异很大，但数字风格相同.

MNIST is a great example of such a dataset: high "topics" variance, but the same style of digits.

GAN +权重范数+ prelu(在1000个步骤后崩溃，在2000年后死亡，只能描述一个主题"):

GAN+weight norm+prelu (collapsed after 1000 steps, died after 2000, can only describe one "topic"):

GAN +权重标准+ prelu + sdeconv，4388步(可以看到子主题的局部变种，但并未在全球范围内崩溃，保留了全局视觉变体):

GAN+weight norm+prelu+sdeconv, 4388 steps (local variety degradation of sub-topics is seen, however not collapsed globally, global visual variety preserved):

这篇关于在小型图像数据集上训练GAN的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！