谷歌“史上最强GAN”，现在有了PyTorch预训练版，可直接玩耍

会员服务 ·

谷歌“史上最强GAN”，现在有了PyTorch预训练版，可直接玩耍 | 代码

2019 年 3 月 22 日 量子位

魔栗发自凹非寺
量子位报道 | 公众号 QbitAI

你知道么，和BigGAN一起玩耍，会上瘾的。

比如，生成了一只狗，再生成了一只汉堡。

那么，狗 × 汉堡 = ？

一看就是亲生的。

现在，身为PyTorch用户的你，也可以拥有一只BigGAN，而且不用自己训练，便能直接玩耍。

一向以造福人类为己任的抱抱脸 (Hugging Face) 团队，用PyTorch复现了这个“史上最强”GAN。

团队开源了预训练模型，只要pip install一下，你有什么大胆想法，就可以实施了。

推特用户纷纷表示欢迎：

还原度极高

开源项目里有三个模型，是不同分辨率的bigGAN：

128×128，256×256，512×512。

抱抱脸团队说，模型的参数都是BigGAN的爸爸DeepMind官方训练的成果。

团队说，他们是用官方的原始计算图 (Computation Graph) 来复现的，与原模型的表现几乎无差：输出差异 (Output Difference) 的方差在10^-5级。

官方模型是放在TensorFlow Hub上，抱抱脸还提供了把TF模型转成PyTorch模型时，用到的脚本。

更加温柔的是，最后会显示生成效果：

肉眼看去，成果喜人。

食用方法

如果只是想随意玩耍的话，pip install就够了。

如果要用前面提到的转换脚本，以及ImageNet实用程序的话，就要再安装一些依赖项。记得要用full_requirements.txt来装：

1git clone https://github.com/huggingface/pytorch-pretrained-BigGAN.git
2cd pytorch-pretrained-BigGAN
3pip install -r full_requirements.txt

128×128模型，有5040多万参数；256×256模型，有5590多万参数；512×512模型，有5620多万参数。三个模型，大小都在200~Mb。

安装之后，正式开始食用：

 1import torch
 2from pytorch_pretrained_biggan import (BigGAN, one_hot_from_names, truncated_noise_sample,
 3                                       save_as_images, display_in_terminal)
 4
 5# OPTIONAL: if you want to have more information on what's happening, activate the logger as follows
 6import logging
 7logging.basicConfig(level=logging.INFO)
 8
 9# Load pre-trained model tokenizer (vocabulary)
10model = BigGAN.from_pretrained('biggan-deep-256')
11
12# Prepare a input
13truncation = 0.4
14class_vector = one_hot_from_names(['soap bubble', 'coffee', 'mushroom'], batch_size=3)
15noise_vector = truncated_noise_sample(truncation=truncation, batch_size=3)
16
17# All in tensors
18noise_vector = torch.from_numpy(noise_vector)
19class_vector = torch.from_numpy(class_vector)
20
21# If you have a GPU, put everything on cuda
22noise_vector = noise_vector.to('cuda')
23class_vector = class_vector.to('cuda')
24model.to('cuda')
25
26# Generate an image
27with torch.no_grad():
28    output = model(noise_vector, class_vector, truncation)
29
30# If you have a GPU put back on CPU
31output = output.to('cpu')
32
33# If you have a sixtel compatible terminal you can display the images in the terminal
34# (see https://github.com/saitoha/libsixel for details)
35display_in_terminal(output)
36
37# Save results as png images
38save_as_images(output)