WGAN 代码测试-人脸数据集和mnist

对 keras : tensorflow https://github.com/zdx3578/DeepLearningImplementations/tree/master/WassersteinGAN 代码进行了运行测试，及环境配置等

内容目录：

celebA人脸数据集训练效果

mnist 数字训练学习效果

环境搭建要点。

训练显示训练过程的确很稳定，很快出现可识别有意义的图像。

celebA 人脸数据集训练

下面两行是标准照片。

loss:

mnist:

效果：

loss：

一个epoch内的训练loss下降：

epoch0

epoch1

一 环境准备：

主机aws云，镜像采样之前文章介绍的镜像ami-97ba3a80，已经安装好tensoflow及GPU配置等。

环境碰到需要安装：

#source activate tensorflow进入anaconda python环境：

conda install opencv

conda install -c yikelu parmap=1.2.0

conda install pydot keras（如果执行这一步会安装cpu版本tensorflow！需重新安装0.9GPU版本tf加快训练速度）tensorflow 版本重回此镜像的0.9GPU版本ok。

conda install natsort

tensorflow安装：https://www.tensorflow.org/get_started/os_setup#anaconda_installation

测试tensorlfow版本：python -c "import tensorflow;print(tensorflow.__version__)"

如果跑celebA数据集需要64G内存，因为有一个数据一次性的计算操作未优化。

二 数据准备：参考https://github.com/tdeboissiere/DeepLearningImplementations/tree/master/WassersteinGAN

python make_dataset.py --img_size 64 /home/ubuntu/celeba/img_align_celeba 生成H5数据文件。

三 训练：

python -c "import tensorflow;print(tensorflow.__version__)" 确认使用GPU版本tensorflow；确认有相关cuda信息输出。

Only the CPU version of TensorFlow is available at the moment and can be installed in the conda environment for Python 2 or Python 3. 所有需使用镜像默认GPU版本或手动安装0.9GPU版本tensorflow。

训练脚本命令：

celebA

python main.py --backend tensorflow --generator deconv --dset celebA --img_dim 64

mnist：

python main.py --backend tensorflow --generator deconv

更多参考官方代码readme。