GAN/gan

• 目录
• GAN描述
• 模型架构
• 数据集
• 环境要求
• 快速入门
• 310推理
• 脚本说明
• • 脚本及样例代码
  • 训练过程
  • • 训练
  • 评估过程
  • • 评估
• 模型描述
• • 性能
  • • 评估性能
    • • MNIST上的GAN
• ModelZoo主页

目录

• 目录
• GAN描述
• 模型架构
• 数据集
• 环境要求
• 快速入门
• 脚本说明
  • 脚本及样例代码
  • 训练过程
    • 训练
  • 评估过程
    • 评估
• 模型描述
  • 性能
    • 评估性能
      • MNIST上的GAN
• ModelZoo主页

GAN描述

GAN网络是2014年提出的，是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。

论文：Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in neural information processing systems, 2014, 27.

模型架构

一个生成器和一个判别器。

数据集

使用的数据集：MNIST

• Dataset size：52.4M，60,000 28*28 in 10 classes
  • Train：60,000 images
  • Test：10,000 images
• Data format：binary files
  • Note：Data will be processed in dataset.py

└─data
  └─MNIST_Data
    └─t10k-images.idx3-ubyte
    └─t10k-labels.idx1-ubyte
    └─train-images.idx3-ubyte
    └─train-labels.idx1-ubyte

环境要求

• 硬件（Ascend/GPU/CPU）
  • 使用Ascend/GPU/CPU处理器来搭建硬件环境。
• 框架
  • MindSpore
• 如需查看详情，请参见如下资源：
  • MindSpore教程
  • MindSpore Python API

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

• Ascend处理器环境运行

  # 添加数据集路径,以训练MNIST为例
  train_data_path: data/MNIST_Data/
  test_data_path: data/MNIST_Data/
  
  

# 单卡训练
bash ./scripts/run_standalone_train.sh [DEVICE_ID]

# Ascend多卡训练
bash ./scripts/run_distributed_train.sh [RANK_TABLE] [RANK_SIZE] [DEVICE_START]

示例：

# 单卡训练
bash ./scripts/run_standalone_train.sh 0

# Ascend多卡训练（8P）
bash ./scripts/run_distributed_train.sh ./rank_table_8pcs.json 8 0

• 评估：

# 评估
bash ./scripts/run_eval.sh [DEVICE_ID]

示例：

# 评估
bash ./scripts/run_eval.sh 0

310推理

• 生成.mindir文件

  python export.py
  
  

• 执行310推理脚本

  bash run_infer_310.sh [MINDIR_PATH] [DATASET_PATH] [DEVICE_ID]
  
  示例：
  
  bash run_infer_310.sh /home/gan3/output.mindir /home/gan3/data/MNIST_Data/ 0
  
  

脚本说明

脚本及样例代码

├──gan
    ├── README_CN.md           # README
    ├── requirements.txt       # required modules
    ├── scripts                  # shell script
        ├─run_standalone_train.sh            # training in standalone mode
        ├─run_distributed_train.sh    # training in parallel mode
        ├─export.sh            # export checkpoints into mindir model
        ├─run_eval.sh          # evaluation
        └─run_infer_310.sh     # 310 inference
    ├── src
        ├─loss.py              # loss function
        ├─gan.py               # define the construction of gan
        ├─param_parse.py       # parameter parser
        └─dataset.py           # dataset create
    ├── ascend310_infer         # 310 inference
        ├─ main.cc             # 310 inference
        ├─ CMakeLists.txt      # compile
        └─ build.sh            # script of main.cc
    ├── train.py               # train model
    ├── export.py              # export checkpoints into mindir model
    ├── preprocess.py       # fixed noise
    ├── postprocess.py      # eval the result of 310 infer
    └── eval.py                # test model

训练过程

训练

• Ascend处理器环境运行

  python train.py > train.log 2>&1 &
  

  上述python命令将在后台运行，您可以通过train.log文件查看结果。

  训练结束后，您可在默认脚本文件夹下找到检查点文件。

  采用以下方式达到损失值：

  模型检查点保存在当前目录下。

  上述python命令将在后台运行，您可以通过train.log文件查看结果。

评估过程

评估

• 在Ascend环境运行时评估MNIST数据集

  python eval.py > eval.log 2>&1 &
  
  

模型描述

性能

评估性能

MNIST上的GAN

参数	Ascend
模型名称	GAN
资源	Ascend 910；CPU 2.60GHz，192核；内存 755G；系统 Euler2.8
上传日期	2021-09-28
MindSpore版本	1.3.0
数据集	MNIST
训练参数	epoch=200, batch_size = 64, lr=0.001
优化器	Adam
损失函数	自定义损失函数
检查点	8914KB, .ckpt文件
脚本	gan脚本

ModelZoo主页

请浏览官网主页。