pix2pix tensorflow试验（GAN之图像转图像的操作）

GAN是一种典型的概率生成模型，其核心思想是：找出给定观测数据内部的统计规律，并且能够基于所得到的概率分布模型，产生全新的，与观测数据类似的数据。

概率生成模型可以用于自然图像的生成。假设给定1000万张图片之后，生成模型可以自动学习到其内部分布，能够解释给定的训练图片，并同时生成新的图片。

与庞大的真实数据相比，概率生成模型的参数个数要远远小于数据的数量。因此，在训练过程中，生成模型会被强迫去发现数据背后更为简单的统计规律，从而能够生成这些数据。

由于GAN这种无监督学习已经成为深度学习的新技术点，而且出来了很多应用，因此对GAN的一些应用进行逐步学习，其中图像到图像之间的转换操作是一种典型的应用。因此对该技术进行学习操作。

本实验主要参考代码为：https://github.com/affinelayer/pix2pix-tensorflow

（1）首先下载数据集，https://people.eecs.berkeley.edu/~tinghuiz/projects/pix2pix/datasets/，从这个网址上可以下载很多个经典的应用数据集。本文实验只选用facades这个数据集，由于剩下原理都是一样的。

（2）进行训练

在程序pix2pix.py代码中，手动添加测试参数，本文只让运行200次。

  # 训练的时候的参数

#     a.input_dir = "/home/ndscbigdata/work/imgdata/facades/train"
#     a.mode = "train"
#     a.output_dir = "/home/ndscbigdata/work/imgdata/facades/ckt"
#     a.max_epochs=200
#     a.which_direction = "BtoA"

      

（3）进行测试

　# 测试的时候的参数
    a.input_dir = "/home/ndscbigdata/work/imgdata/facades/val"
    a.mode = "test"
    a.output_dir = "/home/ndscbigdata/work/imgdata/facades/facades_test"
    a.checkpoint="/home/ndscbigdata/work/imgdata/facades/ckt"

测试结果运行结果如图所示：

测试结果截图如下：可以看出生成效果还是相当不错的，不过假如把训练max_epochs设置大一些，可能效果更好。

具体的代码已经发布在github上：https://github.com/ndscigdata/tensorflow-pratice