灵感：最近也是在看关于GAN方面的代码 
  
  
  
  
  
  
  ，也是看到了很多篇博客
  
  
  
  
  
  
  
 ，都写的挺好的
 


 


 


 


 


 


 


，让我醍醐灌顶 
 
 
 
 
 
 
 ，理解了GAN的原理以及代码实现               。所以写一下来记载一下
   
   
   
   
   
   
   
 ，最后有其他好文章的链接 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
。

灵感来源：pix2pixGAN理论以及代码实现

目录

1.什么是pix2pix GAN

2.pix2pixGAN生成器的设计

 3.pix2pixGAN判别器的设计

4.损失函数

5.代码实现 

6.参考文献

1.什么是pix2pix GAN

它实际上就是一个CGAN
 

 

 

 

 

 

 

，条件GAN 

 

 

 

 

 

 

 ，不过是改变了一般GAN的辨别器的输出














。其他的都是输出一个概率               ，而pix2pixGAN或者也可以是patchgan

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，它的最终输出是一个矩阵













，每一个块代表一个patch的概率而已 
  
  
  
  
  
  
  。关于patch这一块的知识可以去其他地方补一下                       ，文末也有入口 
  
  
  
  
  
  
  
。

 图片x作为此cGAN的条件
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，需要输入到G和D中

 


 


 


 


 


 


 

。G的输入是x(x是需要转换的图片)





















，输出是生成的图片G(x) 
 
 
 
 
 
 
 。D则需要分辨出（x               ，G(x)）和(x
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，y）

pix2pixGAN主要用于图像之间的转换














，又称图像翻译 
   
   
   
   
   
   
   
。

2.pix2pixGAN生成器的设计

对于图像翻译任务来说 
  
  
  
  
  
  
  ，输入和输出之间会共享很多信息
 

 

 

 

 

 

 
。比如轮廓信息是共享的
 

 

 

 

 

 

 

 。如何解决共享问题？需要我们从损失函数的设计当中去思考              。

如果使用普通的卷积神经网络
  
  
  
  
  
  
  
 ，那么会导致每一层都承载保存着所有的信息 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
。这样神经网络很容易出错（容易丢失一些信息）

所以
 


 


 


 


 


 


 


，我们使用UNet模型作为生成器

 3.pix2pixGAN判别器的设计

D要输入成对的图像














。这类似于cGAN,如果G(x)和x是对应的 
 
 
 
 
 
 
 ，对于生成器来说希望判别为1；

如果G（x）和x不是对应的
   
   
   
   
   
   
   
 ，对于生成器来说希望判别器判别为0

pix2pixGAN中的D被论文中被实现为patch_D.所谓patch,是指无论生成的图片有多大
 

 

 

 

 

 

 

，将其切分为多个固定大小的patch输入进D去判断                      。如上图所示 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
。

这样设计的好处是：D的输入变小 

 

 

 

 

 

 

 ，计算量小               ，训练速度快

4.损失函数

D网络损失函数：输入真实的成对图像希望判定为1；输入生成图像与原图希望判定为0

G网络损失函数：输入生成图像与原图像希望判定为1

 对于图像翻译任务而言

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，G的输入和输出之间其实共享了很多信息





















。因而为了保证输入图像和输出图像之间的相似度













，还加入了L1loss,公式如下所示：

5.代码实现 

代码实现的话有官方以及别人的实现                       ，但是我有点不懂               。然后看到这个链接的代码才懂 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
。

全部代码在这：pix2pixGAN理论以及代码实现

我作为笔记记录
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，写一下我觉得关键的代码理解














。

for step,(annos,imgs) in enumerate(dataloader): imgs = imgs.to(device) #imgs 输入的图像 annos = annos.to(device) #标签





















，真实的应该生成的图片 #定义判别器的损失计算以及优化的过程 d_optimizer.zero_grad() disc_real_output = dis(annos,imgs) #输入真实成对图片 d_real_loss = loss_fn(disc_real_output,torch.ones_like(disc_real_output, device=device)) #上面是为了将我们输入的真实图像对都标为1               ，希望他接近1
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，因为真实嘛 d_real_loss.backward() #求梯度 gen_output = gen(annos) #通过输入图像生成图片 disc_gen_output = dis(annos,gen_output.detach()) #将我们输入的和生成的图片输入辨别器 d_fack_loss = loss_fn(disc_gen_output,torch.zeros_like(disc_gen_output, device=device)) #辨别器希望生成的和我们输入的图像最终的判断为0














，也就是假的嘛 d_fack_loss.backward() disc_loss = d_real_loss+d_fack_loss#判别器的损失计算 
  
  
  
  
  
  
  ，由两个之和 d_optimizer.step() #梯度更新 #定义生成器的损失计算以及优化的过程 g_optimizer.zero_grad() disc_gen_out = dis(annos,gen_output) #辨别器辨别输入图像和生成图像的匹配度 gen_loss_crossentropyloss = loss_fn(disc_gen_out, torch.ones_like(disc_gen_out, device=device)) #生成器和辨别器相反
  
  
  
  
  
  
  
 ，他希望生成的图像和输入的图像匹配为真实
 


 


 


 


 


 


 


，也就是造假嘛 gen_l1_loss = torch.mean(torch.abs(gen_output-imgs)) #L1损失 gen_loss = gen_loss_crossentropyloss +LAMBDA*gen_l1_loss gen_loss.backward() #反向传播 g_optimizer.step() #优化 #累计每一个批次的loss with torch.no_grad(): D_epoch_loss +=disc_loss.item() G_epoch_loss +=gen_loss.item() 上面用到的loss_fn是BCE损失 
  
  
  
  
  
  
  。因为我们的辨别器输出值为概率嘛 
 
 
 
 
 
 
 ，0到1
   
   
   
   
   
   
   
 ，所以算得上是二分类
 

 

 

 

 

 

 

，可以使用BCE 
  
  
  
  
  
  
  
。

6.参考文献

     GAN系列之 pix2pixGAN 网络原理介绍以及论文解读https://blog.csdn.net/m0_62128864/article/details/124026977

一文看懂PatchGAN_明月几时有.的博客-CSDN博客_patchgan最近看到PatchGAN很是好奇原理是什么 

 

 

 

 

 

 

 ，发现网上很多介绍的并不清楚．故墙外墙内来回几次               ，大概是清楚了．PatchGAN其实指的是GAN的判别器

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，将判别器换成了全卷积网络．这么说并不严谨













，PatchGAN和普通GAN判别器是有区别的                       ，普通的GAN判别器是将输入映射成一个实数
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，即输入样本为真样本的概率．PatchGAN将输入映射为NxN的patch(矩阵)Ｘ





















，XijX_{ij}Xij​的值代表...https://blog.csdn.net/weixin_35576881/article/details/88058040

pix2pix算法笔记_AI之路的博客-CSDN博客_pix2pix算法论文：Image-to-Image Translation with Conditional Adversarial Networks论文链接：https://arxiv.org/abs/1611.07004代码链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix这篇论文发表在CVPR2017               ，简称pix2pix
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，是将GAN应用...https://blog.csdn.net/u014380165/article/details/98453672

Pix2Pix-基于GAN的图像翻译_张雨石的博客-CSDN博客_pix2pix算法语言翻译是大家都知道的应用

 


 


 


 


 


 


 

。但图像作为一种交流媒介














，也有很多种表达方式 
  
  
  
  
  
  
  ，比如灰度图               、彩色图 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
、梯度图甚至人的各种标记等 
 
 
 
 
 
 
 。在这些图像之间的转换称之为图像翻译
  
  
  
  
  
  
  
 ，是一个图像生成任务 
   
   
   
   
   
   
   
。多年来
 


 


 


 


 


 


 


，这些任务都需要用不同的模型去生成
 

 

 

 

 

 

 
。在GAN出现之后 
 
 
 
 
 
 
 ，这些任务一下子都可以用同一种框架来解决
 

 

 

 

 

 

 

 。这个算法的名称叫做Pix2Pix
   
   
   
   
   
   
   
 ，基于对抗神经网络实现              。https://blog.csdn.net/stdcoutzyx/article/details/78820728