def main():
parser = argparse.ArgumentParser()
parser.add_argument('image_dir', type=str)
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--nb_epoch', '-e', type=int, default=1000)
parser.add_argument('--noise_dim', '-nd', type=int, default=100)
parser.add_argument('--height', '-ht', type=int, default=128)
parser.add_argument('--width', '-wd', type=int, default=128)
parser.add_argument('--save_steps', '-ss', type=int, default=1)
parser.add_argument('--visualize_steps', '-vs', type=int, default=1)
parser.add_argument('--logdir', '-ld', type=str, default="../logs")
parser.add_argument('--noise_mode', '-nm', type=str, default="uniform")
parser.add_argument('--upsampling', '-up', type=str, default="deconv")
parser.add_argument('--metrics', '-m', type=str, default="JSD")
parser.add_argument('--lr_d', type=float, default=1e-4)
parser.add_argument('--lr_g', type=float, default=1e-4)
parser.add_argument('--norm_d', type=str, default=None)
parser.add_argument('--norm_g', type=str, default=None)
parser.add_argument('--model', type=str, default='residual')
args = parser.parse_args()
# output config to csv
args_to_csv(os.path.join(args.logdir, 'config.csv'), args)
input_shape = (args.height, args.width, 3)
image_sampler = ImageSampler(args.image_dir,
target_size=(args.width, args.height))
noise_sampler = NoiseSampler(args.noise_mode)
if args.model == 'residual':
generator = ResidualGenerator(args.noise_dim,
target_size=(args.width, args.height),
upsampling=args.upsampling,
normalization=args.norm_g)
discriminator = ResidualDiscriminator(input_shape,
normalization=args.norm_d)
elif args.model == 'plane':
generator = Generator(args.noise_dim,
upsampling=args.upsampling,
normalization=args.norm_g)
discriminator = Discriminator(input_shape,
normalization=args.norm_d)
else:
raise ValueError
gan = GAN(generator,
discriminator,
metrics=args.metrics,
lr_d=args.lr_d,
lr_g=args.lr_g)
gan.fit(image_sampler.flow_from_directory(args.batch_size),
noise_sampler,
nb_epoch=args.nb_epoch,
logdir=args.logdir,
save_steps=args.save_steps,
visualize_steps=args.visualize_steps)
def main():
parser = argparse.ArgumentParser()
parser.add_argument('x_dir', type=str)
parser.add_argument('y_dir', type=str)
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--nb_epoch', '-e', type=int, default=1000)
parser.add_argument('--height', '-ht', type=int, default=256)
parser.add_argument('--width', '-wd', type=int, default=256)
parser.add_argument('--save_steps', '-ss', type=int, default=10)
parser.add_argument('--visualize_steps', '-vs', type=int, default=10)
parser.add_argument('--gp_weight', '-gp', type=float, default=10.)
parser.add_argument('--l1_weight', '-l1', type=float, default=1.)
parser.add_argument('--initial_steps', '-is', type=int, default=20)
parser.add_argument('--initial_critics', '-ic', type=int, default=20)
parser.add_argument('--normal_critics', '-nc', type=int, default=5)
parser.add_argument('--model_dir', '-md', type=str, default="./params")
parser.add_argument('--result_dir', '-rd', type=str, default="./result")
parser.add_argument('--noise_mode', '-nm', type=str, default="uniform")
parser.add_argument('--upsampling', '-up', type=str, default="deconv")
parser.add_argument('--dis_norm', '-dn', type=str, default=None)
args = parser.parse_args()
os.makedirs(args.result_dir, exist_ok=True)
os.makedirs(args.model_dir, exist_ok=True)
image_sampler = ImageSampler(target_size=(args.width, args.height),
color_mode_x='rgb',
color_mode_y='rgb',
normalization_x='tanh',
normalization_y='tanh',
is_flip=False)
generator = UNet((args.height, args.width, 3),
color_mode='rgb',
upsampling=args.upsampling,
is_training=True)
discriminator = ResidualDiscriminator((args.height, args.width, 6),
normalization=args.dis_norm,
is_training=True)
pix2pix = Pix2Pix(generator,
discriminator,
l1_weight=args.l1_weight,
gradient_penalty_weight=args.gp_weight,
is_training=True)
pix2pix.fit(image_sampler.flow_from_directory(args.x_dir,
args.y_dir,
batch_size=args.batch_size),
result_dir=args.result_dir,
model_dir=args.model_dir,
save_steps=args.save_steps,
visualize_steps=args.visualize_steps,
nb_epoch=args.nb_epoch,
initial_steps=args.initial_steps,
initial_critics=args.initial_critics,
normal_critics=args.normal_critics)
def main():
parser = argparse.ArgumentParser()
parser.add_argument('train_dir')
parser.add_argument('val_dir')
parser.add_argument('--nb_classes', '-nc', type=int, default=2)
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--nb_epoch', '-e', type=int, default=100)
parser.add_argument('--height', '-ht', type=int, default=32)
parser.add_argument('--width', '-wd', type=int, default=32)
parser.add_argument('--save_steps', '-ss', type=int, default=10)
parser.add_argument('--validation_steps', '-vs', type=int, default=10)
parser.add_argument('--logdir', '-ld', default='../logs')
args = parser.parse_args()
image_sampler = ImageSampler(target_size=(args.width, args.height),
color_mode='rgb',
normalize_mode='sigmoid')
val_sampler = ImageSampler(target_size=(args.width, args.height),
color_mode='rgb',
normalize_mode='sigmoid',
is_training=False)
model = CifarCNN((args.width, args.height, 3),
nb_classes=args.nb_classes,
logdir=args.logdir)
model.fit_generator(
image_sampler.flow_from_directory(args.train_dir,
batch_size=args.batch_size,
with_class=True),
val_sampler.flow_from_directory(args.val_dir,
batch_size=args.batch_size,
with_class=True,
shuffle=False),
nb_epoch=args.nb_epoch,
validation_steps=args.validation_steps,
save_steps=args.save_steps,
model_dir=args.logdir)
def main():
parser = argparse.ArgumentParser()
parser.add_argument('image_dir', type=str)
parser.add_argument('--channel', '-c', type=int, default=3)
parser.add_argument('--nb_growing', '-g', type=int, default=8)
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--nb_epoch', '-e', type=int, default=1000)
parser.add_argument('--latent_dim', '-ld', type=int, default=100)
parser.add_argument('--save_steps', '-ss', type=int, default=1)
parser.add_argument('--visualize_steps', '-vs', type=int, default=1)
parser.add_argument('--logdir', '-log', type=str, default="../logs")
parser.add_argument('--distribution', '-dis', type=str, default="uniform")
parser.add_argument('--upsampling', '-up', type=str, default="deconv")
parser.add_argument('--downsampling', '-down', type=str, default="stride")
parser.add_argument('--lr_d', type=float, default=1e-4)
parser.add_argument('--lr_g', type=float, default=1e-4)
parser.add_argument('--gp_lambda', '-lmd', type=float, default=10.)
parser.add_argument('--d_norm_eps', '-eps', type=float, default=1e-3)
args = parser.parse_args()
args_to_csv(os.path.join(args.logdir, 'config.csv'), args)
image_sampler = ImageSampler()
noise_sampler = NoiseSampler(args.distribution)
model = PGGAN(channel=args.channel,
latent_dim=args.latent_dim,
nb_growing=args.nb_growing,
gp_lambda=args.gp_lambda,
d_norm_eps=args.d_norm_eps,
upsampling=args.upsampling,
downsampling=args.downsampling,
lr_d=args.lr_d,
lr_g=args.lr_g)
model.fit(image_sampler.flow_from_directory(args.image_dir,
args.batch_size,
with_class=False),
noise_sampler,
nb_epoch=args.nb_epoch,
logdir=args.logdir,
save_steps=args.save_steps,
visualize_steps=args.visualize_steps)
def main():
parser = argparse.ArgumentParser()
parser.add_argument('ok_image_dir', type=str)
parser.add_argument('ng_image_dir', type=str)
parser.add_argument('--batch_size', '-bs', type=int, default=234)
parser.add_argument('--latent_dim', '-ld', type=int, default=16)
parser.add_argument('--height', '-ht', type=int, default=64)
parser.add_argument('--width', '-wd', type=int, default=64)
parser.add_argument('--channel', '-ch', type=int, default=8)
parser.add_argument('--model_path',
'-mp',
type=str,
default="./params/epoch_200/model.ckpt")
parser.add_argument('--result_dir', '-rd', type=str, default="./result")
parser.add_argument('--nb_visualize_batch', '-nvb', type=int, default=1)
parser.add_argument('--select_gpu', '-sg', type=str, default="0")
args = parser.parse_args()
os.makedirs(args.result_dir, exist_ok=True)
config = tf.ConfigProto(gpu_options=tf.GPUOptions(
visible_device_list=args.select_gpu, # specify GPU number
allow_growth=True))
input_shape = (args.height, args.width, args.channel)
autoencoder = AutoEncoder(input_shape,
args.latent_dim,
is_training=False,
channel=args.channel)
discriminator = Discriminator(is_training=False)
aae = AAE(autoencoder, discriminator, is_training=False)
aae.restore(args.model_path)
result_dir_inlier = os.path.join(args.result_dir, "decoded/inlier")
result_dir_outlier = os.path.join(args.result_dir, "decoded/outlier")
image_sampler = ImageSampler(
target_size=(args.width, args.height),
color_mode='rgb' if args.channel == 3 else 'gray',
is_training=False)
data_generator_inlier = image_sampler.flow_from_directory(args.inlier_dir,
args.batch_size,
shuffle=False)
df_inlier = get_encoded_save_decoded(aae,
data_generator_inlier,
args.latent_dim,
result_dir_inlier,
label='inlier',
nb_visualize=args.nb_visualize_batch)
data_generator_outlier = image_sampler.flow_from_directory(
args.outlier_dir, args.batch_size, shuffle=False)
df_outlier = get_encoded_save_decoded(aae,
data_generator_outlier,
args.latent_dim,
result_dir_outlier,
label='outlier',
nb_visualize=args.nb_visualize_batch)
df = pd.concat([df_inlier, df_outlier], ignore_index=True)
os.makedirs(args.result_dir, exist_ok=True)
df.to_csv(os.path.join(args.result_dir, "output.csv"), index=False)