自从GAN被提出以来，这一技术迅速吸引了众多关注。GAN可以分为两种类型：一种是无条件生成，另一种则是基于特定条件的信息生成。最近，来自韩国浦项科技大学的一名硕士生在GitHub上发布了一个开源项目，展示了条件和无条件图像生成的代表性GAN实现。
这个名为PyTorch-StudioGAN的项目，提供了一个基于PyTorch的库，专注于条件和无条件图像生成的主要GAN实现。项目主页说明，该库旨在为机器学习领域的研究人员提供一个统一的平台，以便快速比较和分析新思路及方法。
该项目的开发者是来自韩国浦项科技大学的硕士生，研究兴趣涵盖深度学习、机器学习以及计算机视觉。
项目链接：https://Github.coM/POSTECH-CVLab/PyTorch-StudioGAN
具体而言，该项目具有几个显著特征：
提供丰富的PyTorch框架下的GAN实现；基于CIFAR 10、Tiny ImageNet和ImageNet数据集的GAN基准；相较于原始实现，性能更佳且内存消耗更低；提供最新的PyTorch环境下的预训练模型；支持多GPU（DP、DDP和多节点DDP）、混合精度、同步批归一化、LARS、TensorBoard可视化及其他分析方法。
对于这个PyTorch GAN库，一些网友表示：“看起来很不错！如果能加入top-k等现代训练实践以及多种增强方法就更好了。”对此，项目作者表示将在NeurIPS论文提交截止后，加入一些改进方法，如Sinha等人的Top-K训练，以及Langevin采样和SiMCLR增强。
此外，有网友询问该项目是否适用于图像以外的其他领域。作者表示是可以的，即使无法使用某些稳定器（如DiFFaug、ADA等），也可以通过调整数据加载器来训练自己的模型。
该项目包含18种以上的SOTA GAN实现
如图所示，项目作者提供了18个以上的SOTA GAN实现，包括DCGAN、LSGAN、GGAN、WGAN-WC、WGAN-GP、WGAN-DRA、ACGAN、ProjGAN、SNGAN、SAGAN、BigGAN、BigGAN-Deep、CRGAN、ICRGAN、LOGAN、DiFFAugGAN、ADAGAN、ContRaGAN和freezeD。
其中，cBN表示条件批归一化；AC为辅助分类器；PD是投影判别器；CL代表对比学习。
需要注意以下几点：
G/D_type指生成器或判别器中标签信息的注入方式；EMA表示生成器中使用的更新后的指数移动平均线；在Tiny ImageNet数据集上的实验采用的是ResNet架构，而非CNN。
下图中的StyleGAN2是即将实现的GAN网络，其中AdAIN表示自适应实例归一化（Adaptive Instance Normalization）。
环境要求
Anaconda Python >= 3.6; 6.0.0 <= Pillow <= 7.0.0; scipy == 1.1.0; sklearn; seaborn; h5py; tqdm; Torch >= 1.6.0; Torchvision >= 0.7.0; TensorBoard 5.4.0; GCC <= 7.4.0; TorchLars。
用户可以通过以下命令安装推荐的环境：
conda env create -f environment.yml -n studiogAN
在Docker中，还可以使用以下命令：
docker pull Mgkang/studiogan:latest
以下是创建名为“studioGAN”容器的命令，同样可以使用端口号6006来连接TensorBoard。
docker run -IT –gpus all –shm-size 128g -p 6006:6006 –name studioGAN -v /home/User:/root/code –workdir /root/code Mgkang/studiogan:latest /bin/bash
使用方法
在使用GPU 0的情况下，通过CONFIG_PATH定义模型的训练“−t”和评估“−e”：
CUDA_VISIBLE_DEVICES=0 python3 src/main.py -t -e -c CONFIG_PATH
在使用GPU（0, 1, 2, 3）和DataParallel的情况下，同样通过CONFIG_PATH定义模型的训练“−t”和评估“−e”：
CUDA_VISIBLE_DEVICES=0,1,2,3 python3 src/main.py -t -e -c CONFIG_PATH
在Python3 src/main.py程序中可以查看可用选项，通过TensorBoard监控IS、FID、F_beta、Authenticity Accuracies及最大奇异值：
~ PyTorch-StudioGAN/logs/RUN_NAME >>> tensorboard –logdir=./ –port PORT
可视化与分析生成图像
StudioGAN支持图像可视化、K最近邻分析、线性插值及频率分析。所有结果保存在“./figures/RUN_name/*.png”中。
图像可视化的代码和示例如下：
CUDA_VISIBLE_DEVICES=0,…,N python3 src/main.py -iv -std_stat –standing_step STANDING_STEP -c CONFIG_PATH –checkpoint_folder CHECKPOINT_FOLDER –log_output_path LOG_OUTPUT_PATH
K最近邻分析中，固定K=7，第一列为生成的图像：
CUDA_VISIBLE_DEVICES=0,…,N python3 src/main.py -knn -std_stat –standing_step STANDING_STEP -c CONFIG_PATH –checkpoint_folder CHECKPOINT_FOLDER –log_output_path LOG_OUTPUT_PATH
线性插值（仅适用于有条件的Big ResNet模型）的代码和示例如下：
CUDA_VISIBLE_DEVICES=0,…,N python3 src/main.py -ITp -std_stat –standing_step STANDING_STEP -c CONFIG_PATH –checkpoint_folder CHECKPOINT_FOLDER –log_output_path LOG_OUTPUT_PATH
