import torch
use_gpu = True if torch.cuda.is_available() else False

model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub', 'DCGAN', pretrained=True, useGPU=use_gpu)

模型的输入是一个形状为 (N, 120) 的噪声向量，其中 N 是要生成的图像数量。可以使用函数 .buildNoiseData 来构建。模型有一个 .test 函数，它接受噪声向量并生成图像。

num_images = 64
noise, _ = model.buildNoiseData(num_images)
with torch.no_grad():
    generated_images = model.test(noise)

# let's plot these images using torchvision and matplotlib
import matplotlib.pyplot as plt
import torchvision
plt.imshow(torchvision.utils.make_grid(generated_images).permute(1, 2, 0).cpu().numpy())
# plt.show()

您应该会看到一张与左侧类似的图像。

如果您想从头开始训练自己的 DCGAN 及其他 GAN，请参阅 PyTorch GAN Zoo。

模型描述

在计算机视觉中，生成模型是经过训练能够从给定输入创建图像的网络。在本例中，我们考虑一种特定的生成网络：GANs（生成对抗网络），它学习将随机向量映射到逼真的图像生成。

DCGAN 是 Radford 等人于 2015 年在论文 使用深度卷积生成对抗网络的无监督表示学习 中设计的一种模型。它是一种 GAN 架构，对于低分辨率图像生成（最高 64x64）来说非常简单高效。

要求

  • 目前仅支持 Python 3

参考文献