在日常学习中，时常需要不断使用其他模型进行指标评测、采样、图像生成等等操作，而不同模型使用的操作终端命令不尽相同，单个的查阅代码对应的Readme需要回忆理解又比较麻烦。故本文在此汇总比较常用的操作步骤与终端命令，用于日常快速复现。

一、AttnGAN

1.1、指令总览

bird： 预训练：python pretrain_DAMSM.py --cfg cfg/DAMSM/bird.yml --gpu 0 训练：python main.py --cfg cfg/bird_attn2.yml --gpu 0 采样：python main.py --cfg cfg/eval_bird.yml --gpu 0 生成：python main.py --cfg cfg/eval_bird.yml --gpu 0

coco： 预训练：python pretrain_DAMSM.py --cfg cfg/DAMSM/coco.yml --gpu 0 训练：python main.py --cfg cfg/coco_attn2.yml --gpu 0 采样：python main.py --cfg cfg/coco_bird.yml --gpu 0 生成：python main.py --cfg cfg/eval_coco.yml --gpu 0

1.2、重要操作备注

1、预训练和训练:产生的模型将保存在output文件夹下。 2、采样:所读取的文件在：data/birds/example_filenames.txt或者data/coco/example_filenames.txt中，其中有一行是example_captions，其存放用户自定义的句子。 3、生成:所读取的文件在：data/birds/example_captions和data/coco/example_captions中。 4、与一般使用的不同，AttnGAN的coco数据集是分了两个文件夹train和test的，在配置数据集时要小心使用其原版提供的数据包，完整目录如下：

二、DFGAN（2022版本）

2.1、指令总览

bird 训练：bash scripts/train.sh ./cfg/bird.yml 查看tensorboard看板：tensorboard --logdir=./code/logs/bird/train --port 8166 评估分数：bash scripts/calc_fid.sh ./cfg/bird.yml 采样3w张图：bash scripts/calc_fid.sh ./cfg/bird.yml 生成：bash scripts/sample.sh ./cfg/bird.yml

coco 训练：bash scripts/train.sh ./cfg/coco.yml 查看tensorboard看板：tensorboard --logdir=./code/logs/coco/train --port 8166 评估分数：bash scripts/calc_fid.sh ./cfg/bird.yml 采样3w张图：bash scripts/calc_fid.sh ./cfg/bird.yml 生成：bash scripts/sample.sh ./cfg/bird.yml

2.2、重要操作备注

1、运行：bird.yml中gen_interval: 1、test_interval: 10、save_interval: 10分别表示每轮生成图片，每10轮评估，每10轮保存模型。训练模型可以同时打开tensorboard看板。 2、查看tensorboard看板：云服务器需要进入code/logs/coco/train，打开tensorboard向量板插件，如果是MobaXterm则需要建立ssh隧道。 3、评估分数：当要测试某一轮的分数时，首先需要把bird.yml的checkpoint进行修改，如：checkpoint: ./saved_models/bird/pretrained/state_epoch_940.pth，才能评估模型940轮的fid分数，如果仅仅测试分数，将yml文件中的save_image置为 False。 4、断点续训：断点续训需要更改train.sh，如从第300轮开始训练，第300轮存放的路径在resume_model_path中。

# resume training
resume_epoch=300
resume_model_path=./saved_models/coco/base_normal_coco_256_2022_07_07_07_07_07/

三、定量评估指标操作指令

3.1、Inception Score

IS评估要出至少3000张图像，将其放入test/valid中，命名为single(或者其他)，然后python inception_score.py --image_folder ../test/valid/single 例子如下：

3.2、FID分数

FID至少要出3w张图片，和IS差不多，将其放入test/valid中，命名为single，然后终端输入python fid_score.py --gpu 0 --batch-size 24 --path1 eval/FID/bird_val.npz --path2 ../test/valid/single

3.3、R分数

四、其他指令

1、MobaXtem远程：nohup bash scripts/train.sh ./cfg/bird.yml >output.txt 2>&1 &或者 nohup bash scripts/train.sh ./cfg/bird.yml >/dev/null 2>&1 & 2、根据requirements.txt安装环境：pip install -r requirements.txt

最后

💖 个人简介：人工智能领域研究生，目前主攻文本生成图像（text to image）方向

🔥 限时免费订阅：

如果这篇文章帮助到你很多，希望能点击下方打赏我一杯可乐！多加冰哦