10．现在转到styleGAN文件夹并打开train．py文件并进行以下更改Replace line no 37 below ＃ Dataset． from
desc ＋＝ ＇－ffhq＇； dataset ＝ EasyDict（tfrecord＿dir＝＇ffhq＇）； train．mirror＿augment ＝ True    TO
desc ＋＝ ＇－PATH of YOUR CUSTOM DATASET＇＝ EasyDict（tfrecord＿dir＝＇PATH of YOUR CUSTOM DATASET＇）； train．mirror＿augment ＝ True
uncomment line no 46 below ＃ Number of GPUs． and comment line no 49
line number 52， train．total＿kimg ＝ 25000 is recommended for complete GAN training of 1024x1024 resolution image． I have set it to 3500． Training will stop after this much iterations
11．在我们开始GAN训练之前，还需要做几个更改。我们需要知道哪个经过pickle预训练的模型将用于训练我们自己的定制数据集。StyleGAN也使用 inception－v3，所以，我们需要得到 inception＿v3＿features．pkl转到链接 https：／／drive．google．com／drive／folders／1MASQyN5m0voPcx7－9K0r5gObhvvPups7 Google 云端硬盘 https：／／drive．google．com／drive／folders／1MASQyN5m0voPcx7－9K0r5gObhvvPups7你会看到一个文件 karras2019stylegan－ffhq1024x1024．pkl。该预训练版本经过训练可生成高分辨率人脸。名人，猫，汽车等还有其他型号。你需要将此文件复制到G驱动器上，并从G驱动器中的文件获取URL链接。URL链接看起来是这样https：／／drive．google．com／uc？id＝1FtjSVZawl－e＿LDmIH3lbB0h＿8q2g51Xq同样，我们需要将 inception＿v3＿features．pkl 复制到G盘并获取URL链接。现在转到styleGAN ／ metrics下的路径，然后打开python文件 frechet＿inception＿distance．py。 我们 需要在第29行做一些小的更改，如下所示将以下代码替换为inception ＝ misc．load＿pkl（＇https：／／drive．google．com／uc？id＝1MzTY44rLToO5APn8TZmfR7＿ENSe5aZUn＇） ＃ inception＿v3＿features．pkl
inception ＝ misc．load＿pkl（＇＇YOUR G－Drive inception－v3＿features．pkl LINK url＇） ＃ inception＿v3＿features．pkl
我们现在都准备去训练自己的styleGAN运行以下命令开始训练！ python ／content／stylegan／train．py （！ nohup python ／content／stylegan／train．py if you want it to run in the background and you do not wish to see the progress in your terminal directly． Do note this will take a lot of time depending on the configurations mentioned above） you should observe something like below
Training．．．
tick 1 kimg 140．3 lod 3．00 minibatch 128 time 4m 34s sec／tick 239．7 sec／kimg 1．71 maintenance 34．5 gpumem 3．6
network－snapshot－000140 time 6m 33s fid50k 331．8988
WARNING：tensorflow：From ／content／stylegan／dnnlib／tflib／autosummary．py：137： The name tf．summary．scalar is deprecated． Please use tf．compat．v1．summary．scalar instead．
WARNING：tensorflow：From ／content／stylegan／dnnlib／tflib／autosummary．py：182： The name tf．summary．merge＿all is deprecated． Please use tf．compat．v1．summary．merge＿all instead．
tick 2 kimg 280．6 lod 3．00 minibatch 128 time 15m 18s sec／tick 237．1 sec／kimg 1．69 maintenance 407．2 gpumem 3．6
tick 3 kimg 420．9 lod 3．00 minibatch 128 time 19m 16s sec／tick 237．3 sec／kimg 1．69 maintenance 0．7 gpumem 3．6
tick 4 kimg 561．2 lod 3．00 minibatch 128 time 23m 15s sec／tick 238．1 sec／kimg 1．70 maintenance 0．7 gpumem 3．6
tick 5 kimg 681．5 lod 2．87 minibatch 128 time 31m 54s sec／tick 518．6 sec／kimg 4．31 maintenance 0．7 gpumem 4．7
tick 6 kimg 801．8 lod 2．66 minibatch 128 time 42m 53s sec／tick 658．0 sec／kimg 5．47 maintenance 0．8 gpumem 4．7
tick 7 kimg 922．1 lod 2．46 minibatch 128 time 53m 52s sec／tick 657．7 sec／kimg 5．47 maintenance 0．9 gpumem 4．7
tick 8 kimg 1042．4 lod 2．26 minibatch 128 time 1h 04m 49s sec／tick 656．6 sec／kimg 5．46 maintenance 0．8 gpumem 4．7
tick 9 kimg 1162．8 lod 2．06 minibatch 128 time 1h 15m 49s sec／tick 658．5 sec／kimg 5．47 maintenance 0．8 gpumem 4．7
tick 10 kimg 1283．1 lod 2．00 minibatch 128 time 1h 26m 40s sec／tick 650．0 sec／kimg 5．40 maintenance 0．8 gpumem 4．7
network－snapshot－001283 time 6m 10s fid50k 238．2729
tick 11 kimg 1403．4 lod 2．00 minibatch 128 time 1h 43m 39s sec／tick 647．7 sec／kimg 5．38 maintenance 371．7 gpumem 4．7
tick 12 kimg 1523．7 lod 2．00 minibatch 128 time 1h 54m 27s sec／tick 647．5 sec／kimg 5．38 maintenance 0．8 gpumem 4．7
tick 13 kimg 1644．0 lod 2．00 minibatch 128 time 2h 05m 15s sec／tick 647．4 sec／kimg 5．38 maintenance 0．9 gpumem 4．7
tick 14 kimg 1764．4 lod 2．00 minibatch 128 time 2h 16m 04s sec／tick 647．3 sec／kimg 5．38 maintenance 0．8 gpumem 4．7
tick 15 kimg 1864．4 lod 1．89 minibatch 64 time 2h 41m 25s sec／tick 1520．8 sec／kimg 15．19 maintenance 0．8 gpumem 4．7
tick 16 kimg 1964．5 lod 1．73 minibatch 64 time 3h 15m 48s sec／tick 2060．2 sec／kimg 20．58 maintenance 2．9 gpumem 4．7
tick 17 kimg 2064．6 lod 1．56 minibatch 64 time 3h 50m 11s sec／tick 2060．1 sec／kimg 20．58 maintenance 3．1 gpumem 4．7
tick 18 kimg 2164．7 lod 1．39 minibatch 64 time 4h 24m 36s sec／tick 2061．2 sec／kimg 20．59 maintenance 3．1 gpumem 4．7
tick 19 kimg 2264．8 lod 1．23 minibatch 64 time 4h 59m 00s sec／tick 2061．1 sec／kimg 20．59 maintenance 3．0 gpumem 4．7
tick 20 kimg 2364．9 lod 1．06 minibatch 64 time 5h 33m 24s sec／tick 2061．1 sec／kimg 20．59 maintenance 2．9 gpumem 4．7
network－snapshot－002364 time 7m 46s fid50k 164．6632
tick 21 kimg 2465．0 lod 1．00 minibatch 64 time 6h 15m 16s sec／tick 2042．9 sec／kimg 20．41 maintenance 469．6 gpumem 4．7
tick 22 kimg 2565．1 lod 1．00 minibatch 64 time 6h 49m 11s sec／tick 2032．3 sec／kimg 20．30 maintenance 2．9 gpumem 4．7
tick 23 kimg 2665．2 lod 1．00 minibatch 64 time 7h 23m 07s sec／tick 2032．5 sec／kimg 20．31 maintenance 2．9 gpumem 4．7
tick 24 kimg 2765．3 lod 1．00 minibatch 64 time 7h 57m 03s sec／tick 2033．5 sec／kimg 20．32 maintenance 2．9 gpumem 4．7
tick 25 kimg 2865．4 lod 1．00 minibatch 64 time 8h 31m 00s sec／tick 2034．1 sec／kimg 20．32 maintenance 2．9 gpumem 4．7
一旦达到train．py文件中指定的train．total＿kimg值，训练便会结束。现在让我们看看由styleGAN在自定义数据上生成的图像真实（原始）图像64 x 64分辨率

初始迭代后－S－GAN生成的伪造

经过1000次以上的训练

经过＞ 3500次训练后

我们可以看到，随着训练迭代的进行，模型已经开始生成真实图像。经过将近4000次迭代，我已经终止了训练，因为这只是一个实验和演示。但是，随着我们对模型进行较长时间的训练，图像将越来越精细，经过9000或10000轮训练后，GAN将开始生成原始图片的死角。太神奇了！现在让我们看看如何使用预训练的自定义权重来生成类似于我们的自定义数据集的图像如何使用预训练的权重从自定义数据集中生成图像训练结束后，将创建一个如下所示的目录／ content ／ results ／ 00006－sgan－ ／ content ／ stylegan ／ datasets ／ custom－dataset－1gpu ／在此之下，你可以看到创建了许多网络快照的pickle文件。我们需要获取最新的．pkl文件，并将该文件的权重用于预训练模型，如下面的代码片段所示＃ 4．0 International License． To view a copy of this license， visit＃ http：／／creativecommons．org／licenses／by－nc／4．0／ or send a letter to＃ Creative Commons， PO Box 1866， Mountain View， CA 94042， USA．
使用预训练的StyleGAN生成器生成图像的最小脚本。导入操作系统import pickle
import numpy as np
导入PIL．Imageimport dnnlib
import dnnlib．tflib as tflib
import config
def main（）：
初始化TensorFlow。tflib．init＿tf（）
url ＝ ＇／content／network－snapshot－003685 ．pkl＇
with open（url，＇rb＇） as f ：
＿G，＿D，Gs ＝ pickle．load（f）＃ ＿G ＝ Instantaneous snapshot of the generator． Mainly useful for resuming a previous training run．
＃ ＿D ＝ Instantaneous snapshot of the discriminator． Mainly useful for resuming a previous training run．
＃ Gs ＝ Long－term average of the generator． Yields higher－quality results than the instantaneous snapshot．
＃ Print network details．
Gs．print＿layers（）
＃ Pick latent vector．
rnd ＝ np．random．RandomState（）
latents ＝ rnd．randn（1， Gs．input＿shape［1］）
＃ Generate image．
fmt ＝ dict（func＝tflib．convert＿images＿to＿uint8， nchw＿to＿nhwc＝True）
images ＝ Gs．run（latents， None， truncation＿psi＝0．7， randomize＿noise＝True， output＿transform＝fmt）
保存图片。os．makedirs（config．result＿dir， exist＿ok＝True）
png＿filename ＝ os．path．join（config．result＿dir， f’／content／example1．png’）
PIL．Image．fromarray（images［0］， ‘RGB’）．save（png＿filename）
＃if ＿＿name＿＿ ＝＝ ＂＿＿main＿＿＂：
main（）
on running this code ， output image example1．png will be created under ／content
The output quality will be based on the network＿snapshot．pkl we use
使用不同的种子值生成新图像－潜在空间中的不同点从不同种子值（潜伏空间中的不同点）生成的图像

代码片段！python ／content／stylegan2／run＿generator．py generate－latent－walk －－network＝／content／results／00000－sgan－／content／stylegan／datasets／custom－dataset－1gpu／network－snapshot－003685．pkl －－seeds＝200，1000，2500，4000，200 －－frames 10 －－truncation－psi＝0．8
上面的代码将生成10张图像。在这里，我使用了使用自定义模型的styleGAN训练的预训练权重，并使用run＿generator．py（在styleGAN2中可用）生成了不同的图像。我们可以从逻辑上选择看起来相似的种子（你需要尝试一些实验才能达到此目的），然后对它们进行插值以获取原始数据集中不存在的全新图像。同样，输出的质量将取决于我们的模型完成训练的哪个阶段。就我而言，它大约在4000个epoch终止。

结论

在此博客中，我分享了我在Google colab服务器中进行 stylegan ／ stylegan2 实验时获得的知识。

以下是一些混合的python程序示例，你可以参考：

stylegan – pretrained＿example．py

stylegan – generate＿figure．py

stylegan2 – run＿generator．py