10．現在轉到styleGAN文件夾并打開train．py文件并進行以下更改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．在我們開始GAN訓練之前，還需要做幾個更改。我們需要知道哪個經過pickle預訓練的模型將用于訓練我們自己的定制數據集。StyleGAN也使用 inception－v3，所以，我們需要得到 inception＿v3＿features．pkl轉到鏈接 https：／／drive．google．com／drive／folders／1MASQyN5m0voPcx7－9K0r5gObhvvPups7 Google 云端硬盤 https：／／drive．google．com／drive／folders／1MASQyN5m0voPcx7－9K0r5gObhvvPups7你會看到一個文件 karras2019stylegan－ffhq1024x1024．pkl。該預訓練版本經過訓練可生成高分辨率人臉。名人，貓，汽車等還有其他型號。你需要將此文件復制到G驅動器上，并從G驅動器中的文件獲取URL鏈接。URL鏈接看起來是這樣https：／／drive．google．com／uc？id＝1FtjSVZawl－e＿LDmIH3lbB0h＿8q2g51Xq同樣，我們需要將 inception＿v3＿features．pkl 復制到G盤并獲取URL鏈接�，F在轉到styleGAN ／ metrics下的路徑，然后打開python文件 frechet＿inception＿distance．py。 我們 需要在第29行做一些小的更改，如下所示將以下代碼替換為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
我們現在都準備去訓練自己的styleGAN運行以下命令開始訓練！ 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
一旦達到train．py文件中指定的train．total＿kimg值，訓練便會結束。現在讓我們看看由styleGAN在自定義數據上生成的圖像真實（原始）圖像64 x 64分辨率

初始迭代后－S－GAN生成的偽造

經過1000次以上的訓練

經過＞ 3500次訓練后

我們可以看到，隨著訓練迭代的進行，模型已經開始生成真實圖像。經過將近4000次迭代，我已經終止了訓練，因為這只是一個實驗和演示。但是，隨著我們對模型進行較長時間的訓練，圖像將越來越精細，經過9000或10000輪訓練后，GAN將開始生成原始圖片的死角。太神奇了！現在讓我們看看如何使用預訓練的自定義權重來生成類似于我們的自定義數據集的圖像如何使用預訓練的權重從自定義數據集中生成圖像訓練結束后，將創(chuàng)建一個如下所示的目錄／ content ／ results ／ 00006－sgan－ ／ content ／ stylegan ／ datasets ／ custom－dataset－1gpu ／在此之下，你可以看到創(chuàng)建了許多網絡快照的pickle文件。我們需要獲取最新的．pkl文件，并將該文件的權重用于預訓練模型，如下面的代碼片段所示＃ 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．
使用預訓練的StyleGAN生成器生成圖像的最小腳本。導入操作系統import pickle
import numpy as np
導入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）
保存圖片。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
使用不同的種子值生成新圖像－潛在空間中的不同點從不同種子值（潛伏空間中的不同點）生成的圖像

代碼片段！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
上面的代碼將生成10張圖像。在這里，我使用了使用自定義模型的styleGAN訓練的預訓練權重，并使用run＿generator．py（在styleGAN2中可用）生成了不同的圖像。我們可以從邏輯上選擇看起來相似的種子（你需要嘗試一些實驗才能達到此目的），然后對它們進行插值以獲取原始數據集中不存在的全新圖像。同樣，輸出的質量將取決于我們的模型完成訓練的哪個階段。就我而言，它大約在4000個epoch終止。

結論

在此博客中，我分享了我在Google colab服務器中進行 stylegan ／ stylegan2 實驗時獲得的知識。

以下是一些混合的python程序示例，你可以參考：

stylegan – pretrained＿example．py

stylegan – generate＿figure．py

stylegan2 – run＿generator．py