optimizer_G = optim.Adam(
params=model_G.feature_regression.parameters(),
lr=args.lr,
betas=(args.beta1, args.beta2))
else:
optimizer_G = optim.Adam(params=model_G.parameters(),
lr=args.lr,
betas=(args.beta1, args.beta2))
#================================
# loss 関数の設定
#================================
loss_grid_fn = TransformedGridLoss(device=device,
geometric_model=args.geometric_model)
loss_l1_fn = nn.L1Loss()
loss_vgg_fn = VGGLoss(device=device, layids=[4])
#================================
# モデルの学習
#================================
print("Starting Training Loop...")
n_print = 1
step = 0
for epoch in tqdm(range(args.n_epoches), desc="epoches"):
for iter, inputs in enumerate(
tqdm(dloader_train, desc="epoch={}".format(epoch))):
model_G.train()
# 一番最後のミニバッチループで、バッチサイズに満たない場合は無視する（後の計算で、shape の不一致をおこすため）
if inputs["image_s"].shape[0] != args.batch_size:
break
#================================
# optimizer_G の設定
#================================
optimizer_G = optim.Adam(params=model_G.parameters(),
lr=args.lr,
betas=(args.beta1, args.beta2))
optimizer_D = optim.Adam(params=model_D.parameters(),
lr=args.lr,
betas=(args.beta1, args.beta2))
#================================
# loss 関数の設定
#================================
loss_l1_fn = nn.L1Loss()
loss_vgg_fn = VGGLoss(device, n_channels=3)
loss_adv_fn = LSGANLoss(device)
#================================
# モデルの学習
#================================
print("Starting Training Loop...")
n_print = 1
step = 0
for epoch in tqdm(range(args.n_epoches), desc="epoches"):
for iter, inputs in enumerate(
tqdm(dloader_train, desc="epoch={}".format(epoch))):
model_G.train()
model_D.train()
# 一番最後のミニバッチループで、バッチサイズに満たない場合は無視する（後の計算で、shape の不一致をおこすため）
#================================
# optimizer_G の設定
#================================
optimizer_G = optim.Adam(params=model_G.parameters(),
lr=args.lr,
betas=(args.beta1, args.beta2))
optimizer_D = optim.Adam(params=model_D.parameters(),
lr=args.lr,
betas=(args.beta1, args.beta2))
#================================
# loss 関数の設定
#================================
if (args.n_output_channels == 1):
loss_l1_fn = nn.L1Loss()
loss_vgg_fn = VGGLoss(device, n_channels=args.n_output_channels)
loss_adv_fn = LSGANLoss(device)
else:
#loss_bce_fn = ParsingCrossEntropyLoss()
loss_bce_fn = CrossEntropy2DLoss(device)
#================================
# 定義済みグラフ構造の取得
#================================
adj_matrix_cihp_to_cihp, adj_matrix_pascal_to_pascal, adj_matrix_cihp_to_pascal = get_graph_adj_matrix(
)
adj_matrix_cihp_to_cihp, adj_matrix_pascal_to_pascal, adj_matrix_cihp_to_pascal = adj_matrix_cihp_to_cihp.to(
device), adj_matrix_pascal_to_pascal.to(
device), adj_matrix_cihp_to_pascal.to(device)
#================================