대원의 코드는 루아,torch7이지만,python을 사용하고 싶어서요.
https://github.com/phillipi/pix2pix
keras 소스
https://github.com/tdeboissiere/DeepLearningImplementations/tree/master/pix2pix

필요한 라이브러리

keras, theano or tensorflow backend
h5py
matplotlib
opencv 3
numpy
tqdm
parmap

keras 정보

keras-2 지점의 이름이 바뀌었기 때문에 낡은 코드를 이동할 때 주의해야 한다
Convolution 2D → Conv2D 등

sudo pip install keras==1.2.0

pydot 등 설치

sudo apt-get install graphviz
pip install graphviz
pip install pydot==1.1.0

프로파일 수정

/etc/matplotlibrc
Agg로 변경합니다.

backend : TkAgg

backend : Agg

데이터 처리

facades 데이터 세트 다운로드

git clone https://github.com/phillipi/pix2pix.git
cd pix2pix
bash ./datasets/download_dataset.sh facades

HDF5 데이터 세트를 위한 facades 구축

python make_dataset.py /home/user/GitHub/pix2pix/datasets/facades 3 --img_size 256

학습

git clone https://github.com/tdeboissiere/DeepLearningImplementations.git
cd DeepLearningImplementations/pix2pix/src/model
python main.py 64 64 --backend tensorflow

원본 코드 분석

train.lua

환경 변수를 분석하고 기본값을 덮어씁니다.tonumber는 문자열에서 숫자로 전환하는 루아의 함수입니다.
http://milkpot.sakura.ne.jp/lua/lua51_manual_ja.html#lua_tonumber

for k,v in pairs(opt) do opt[k] = tonumber(os.getenv(k)) or os.getenv(k) or opt[k] end

manualSeed는 torch 함수에서 무작위 생성기의 피드를 지정한 수량으로 설정합니다.
setdefaulttensor type은torch 함수에 기본 장량 형식을 설정합니다.

torch.manualSeed(opt.manualSeed)
torch.setdefaulttensortype('torch.FloatTensor')

시작은 별거 아니야.
데이터 가져오기

-- create data loader
local data_loader = paths.dofile('data/data.lua')
print('#threads...' .. opt.nThreads)
local data = data_loader.new(opt.nThreads, opt)
print("Dataset Size: ", data:size())
tmp_d, tmp_paths = data:getBatch()

권중 초기화 방법

local function weights_init(m)
   local name = torch.type(m)
   if name:find('Convolution') then
      m.weight:normal(0.0, 0.02)
      m.bias:fill(0)
   elseif name:find('BatchNormalization') then
      if m.weight then m.weight:normal(1.0, 0.02) end
      if m.bias then m.bias:fill(0) end
   end
end

생성기와 판단기 정의

function defineG(input_nc, output_nc, ngf)
    local netG = nil
    if     opt.which_model_netG == "encoder_decoder" then netG = defineG_encoder_decoder(input_nc, output_nc, ngf)
    elseif opt.which_model_netG == "unet" then netG = defineG_unet(input_nc, output_nc, ngf)
    elseif opt.which_model_netG == "unet_128" then netG = defineG_unet_128(input_nc, output_nc, ngf)
    else error("unsupported netG model")
    end

    netG:apply(weights_init)

    return netG
end

function defineD(input_nc, output_nc, ndf)
    local netD = nil
    if opt.condition_GAN==1 then
        input_nc_tmp = input_nc
    else
        input_nc_tmp = 0 -- only penalizes structure in output channels
    end

    if     opt.which_model_netD == "basic" then netD = defineD_basic(input_nc_tmp, output_nc, ndf)
    elseif opt.which_model_netD == "n_layers" then netD = defineD_n_layers(input_nc_tmp, output_nc, ndf, opt.n_layers_D)
    else error("unsupported netD model")
    end

    netD:apply(weights_init)

    return netD
end

가중 읽기 처리

if opt.continue_train == 1 then
   print('loading previously trained netG...')
   netG = util.load(paths.concat(opt.checkpoints_dir, opt.name, 'latest_net_G.t7'), opt)
   print('loading previously trained netD...')
   netD = util.load(paths.concat(opt.checkpoints_dir, opt.name, 'latest_net_D.t7'), opt)
else
  print('define model netG...')
  netG = defineG(input_nc, output_nc, ngf)
  print('define model netD...')
  netD = defineD(input_nc, output_nc, ndf)
end

이미지를 생성하여 진위 판정을 하는 방법
torch.캣이 뒤에 붙어있어요.

function createRealFake()
    -- load real
    data_tm:reset(); data_tm:resume()
    local real_data, data_path = data:getBatch()
    data_tm:stop()

    real_A:copy(real_data[{ {}, idx_A, {}, {} }])
    real_B:copy(real_data[{ {}, idx_B, {}, {} }])

    if opt.condition_GAN==1 then
        real_AB = torch.cat(real_A,real_B,2)
    else
        real_AB = real_B -- unconditional GAN, only penalizes structure in B
    end

    -- create fake
    fake_B = netG:forward(real_A)

    if opt.condition_GAN==1 then
        fake_AB = torch.cat(real_A,fake_B,2)
    else
        fake_AB = fake_B -- unconditional GAN, only penalizes structure in B
    end
end