[LEADERG AI ZOO] Jupyter-Image-GAN-Compression-PyTorch

[簡介]

 

Jupyter-Image-GAN-Compression-PyTorch 是將 GAN 模型做壓縮後,再進行風格轉換。壓縮後的模型,不僅減少計算量,降低模型的大小,還能夠保持一定的準確度。此解決方案可應用於馬與斑馬、鞋子的風格轉換。

 

 

[操作步驟及說明]

 

解決方案的風格轉換有兩種做法:

(1) CycleGan 的壓縮,將圖中的馬轉成斑馬,其流程為:

訓練原始大小的 CycleGan 模型 -> 測試原始大小的 CycleGan 模型 -> 將原始大小的 CycleGan 模型進行蒸餾 -> 測試蒸餾後的模型 -> 用蒸餾後的模型訓練 supernet -> 測試 supernet 模型 -> 將 supernet 進行壓縮 -> 測試壓縮後的模型

 

(2) pix2pix 的壓縮,將鞋的輪廓圖轉成鞋子彩色樣本圖,其流程為:

訓練原始大小的 pix2pix 模型 -> 測試原始大小的 pix2pix 模型 -> 將原始大小的 pix2pix 模型進行蒸餾 -> 測試蒸餾後的模型 -> 用蒸餾後的模型訓練 supernet -> 將 supernet 進行壓縮 -> 測試壓縮後的模型

 

注意:運行前請先確認 pip numpy 版本是否為 1.18.1。

 

CycleGan:

 

1. 1_train_CycleGan.ipynb 

訓練 Cycle Gan 模型。資料集為 "horse2zebra",馬與斑馬的圖片。

 

2. 2_test_CycleGan_model_mobile.ipynb

測試第 1 點訓練的 Cycle Gan 模型。若 Cycle Gan 模型測試結果不太好時,會影響後續模型訓練,請回第 1 點再訓練。

 

3. 3_train_CycleGan_distill.ipynb

將第 1 點的 Cycle Gan 模型進行訓練,產生蒸餾後的模型。

 

4. 4_test_CycleGan_distill_model.ipynb

測試第 3 點 Cycle Gan 的蒸餾模型,若覺得結果不太好,請回第 3 點再訓練。

 

5. 5_train_CycleGan_supernet.ipynb

用蒸餾後的 Cycle Gan 模型與原始的 Cycle Gan 模型訓練 supernet。

 

6. 6_test_CycleGan_supernet_model.ipynb

測試第 5 點 Cycle Gan 的 supernet 模型,若覺得結果不太好,請回第 5 點再訓練。

 

7.7_model_compression_CycleGan.ipynb

用  Cycle Gan 的 supernet 模型進行訓練,產生壓縮後的模型。

 

8. 8_inference_CycleGan_compression.ipynb

測試壓縮後的 CycleGan 模型。

real_A 為馬的圖片,fake_B 為馬的圖片轉換成斑馬。

 

GAN Compression cyclegan.png

 

 

pix2pix:

 

1. 1_train_Pix2pix.ipynb

訓練 pix2pix 模型。資料集為 "edges2shoes-r",鞋子輪廓圖的圖片。

 

2. 2_test_Pix2pix_model_mobile.ipynb

測試第 1 點訓練的 pix2pix 模型。若 pix2pix 模型測試結果不太好時,會影響後續模型訓練,請回第 1 點再訓練。

 

3. 3_train_Pix2pix_distill.ipynb

將第 1 點的 pix2pix 模型進行訓練,產生蒸餾後的模型。

 

4. 4_test_Pix2pix_distill_model.ipynb

測試第 4 點 pix2pix  的蒸餾模型,若覺得結果不太好,請回第 3 點再訓練。

 

5. 5_train_Pix2pix_supernet.ipynb

用蒸餾後的 pix2pix 模型訓練 supernet。

 

6. 7_model_compression_Pix2pix.ipynb

用 pix2pix 的 supernet 模型進行訓練,產生壓縮後的模型。

 

7. 8_inference_Pix2pix_compression.ipynb

測試壓縮後的 pix2pix 模型。

real_A 為鞋子的輪廓圖,fake_B 為鞋子的輪廓圖轉換成鞋子樣本圖,real_B 為鞋子的輪廓圖的真實樣本圖。

 

GAN Compression pix2pix.png

 

聯絡我們及購買方式


請參閱以下網址:

https://tw.leaderg.com/article/index?sn=11056


延伸閱讀

1.
LEADERG App4AI 人工智能軟體 (App for AI, 不用寫程式, 視窗操作介面, 易學易用, 無經驗可, AI Model Zoo, No Code, Deep Learning, 深度學習, Machine Learning, 機器學習, 人工智慧)

2.
LEADERG AI Zoo 人工智能演算法 (整理及優化200多種範例程式碼, 節省90%的開發時間, 10倍速快速開發 AI 程式, Jupyter Lab 操作介面, Code for AI, Code4AI, Less Coding, AI Model Zoo, AIZOO, 深度學習, Big Data, 大數據)

3.
LEADERG ACE 人工智能電腦 (工作站、伺服器、筆電,GPU, computer, workstation, notebook, server, NVIDIA, RTX-3090-24G, RTX-A6000-48G, A100-40G, deep learning, 深度學習, 機器學習, 專業AI電腦供應商)

4.
LEADERG AI Education 人工智能教育 (AI 教育, 顧問服務, 影像分析, 影像分類, 物件偵測, 影像切割, 資料分析, deep learning, 深度學習, machine learning, 機器學習, big data, 大數據)

感謝客戶們的支持

臺灣大學、清華大學、陽明交通大學、成功大學、臺北醫學大學、臺北護理健康大學、中興大學、暨南大學、宜蘭大學、聯合大學、淡江大學、逢甲大學、長庚大學、義守大學、實踐大學、大同大學、中原大學、臺科大、北科大、臺中科大、雲林科大、勤益科大、虎尾科大、屏東科大、高雄科大、朝陽科大、明志科大、南臺科大、亞東科大、中國科大、國防大學、海軍軍官學校、陸軍專科學校、鼓山高中、臺大醫院、榮民總醫院、長庚醫院、慈濟醫院、義大醫院、中山科學研究院、國防部軍備局、法務部調查局、工研院、資策會、原子能委員會核能研究所、農業委員會特有生物研究保育中心、勞動部勞動研究所、紡織研究所、金屬工業研究發展中心、台灣儀器科技研究中心、車輛測試中心、台灣自來水公司、台積電、聯電、南亞科、華邦電子、精材科技、華信光電、友達光電、群創光電、瀚宇彩晶、台塑、台塑網、南亞塑膠、台灣化學纖維、中國石油、羅技電子、義隆電子、隆達電子、達方電子、鴻海、大聯大 - 世平興業、盟立自動化、迅得機械、南茂科技、順達科技、致伸科技、英特盛、豐興鋼鐵、中宇環保工程、竹陞科技、研揚科技、敦陽科技、竑騰科技、先豐通訊、神達電腦、神通電腦、百佳泰、科音國際、峰安車業、鴻鵠國際、藍海智能等。