Adobe工程師開發只用「一張圖」就能訓練GAN的機器學習技術
著名網站This person do not exist（這個人不存在）即是使用GAN技術製成，但要做出假以亂真的圖片，訓練GAN需要一定數量的數據集做訓練；對於數據量偏少的開發者，真的就只能幹瞪眼放棄嗎？
Adobe工程師開發新形態GAN技術，一張圖也能成功訓練！
本文經AI新媒體量子位（公眾號ID：QbitAI）授權轉載，轉載請聯繫出處
對不同的生成器採用不同的學習率（learning rate）。
下圖就展示了使用這兩種方法實現的模型。默認情況下，最多同時訓練3個生成器，並對較低的生成器，分別將學習率調至1/10和1/100。
在這個過程中，有一個有趣的現象。
如果對較低的生成器採用較高的學習率，那麼生成的圖像質量會高些，但是差異性較弱。
相反，如果對較低的生成器採用較小的學習率，那麼生成圖像的差異性會豐富一些。如下圖所示。
程序代碼已在GitHub上開源
ConSinGAN的程序代碼已經在GitHub上開源。
老規矩，先介紹一下運行所需要的環境：Python 3.5；Pytorch 1.1.0。
安裝也非常簡單：
pip install -r requirements.txt
若要使用論文中的默認參數訓練模型：
python main_train.py–gpu 0–train_mode generation–input_name Images/Generation/angkorwat.jpg
在英偉達GeForce GTX 1080Ti上訓練一個模型大約需要20–25分鐘。
不同的學習率和訓練階段數量，會影響實驗的結果，研究人員推薦二者的默認值分別是0.1和6。
當然也可以修改學習率：
python main_train.py–gpu 0–train_mode generation–input_name Images/Generation/colusseum.jpg–lr_scale 0.5
修改訓練階段的數量：
python main_train.py–gpu 0–train_mode generation–input_name Images/Generation/colusseum.jpg–train_stages 7
當然，模型也可以用來處理「圖像協調」和「圖像編輯」等任務，詳情可參閱GitHub。
