グロー

“Glow：可逆1×1畳み込みを伴う生成フロー”

あらかじめ用意されたCelebA-HQモデルを使用するには、独自の操作ベクトルを作成し、インタラクティブなデモを実行し、 demoフォルダを確認します。

要件

• Tensorflow（v1.8.0でテスト済み）
• Horovod（v0.13.8でテスト済み）と（open）MPI

走る

pip install -r requirements.txt

MPIをセットアップ（開く）するには、Horovod github ページの指示を確認してください 。

データセットをダウンロード

データセットはGoogle Cloudの場所https://storage.googleapis.com/glow-demo/data/{dataset_name}-tfr.tar 。 dataset_namesは以下の通りですが、尤度の正しい比較のための正確な前処理/ダウンサンプリング方法について言及します。

定量的結果

• imagenet-oord – 無条件ImageNet 32​​x32および64×64（PixelRNN / RealNVPの論文に記載されています）。
• lsun_realnvp – LSUN 96×96。 RealNVPで説明されているように、処理時に64×64のランダムな作物が撮影されます。

定性的結果

• celeba – CelebA-HQ 1024×1024データセット、GANのプログレッシブな成長に記載されています。
• imagenet – ImageNet 32​​x32および64×64（クラスラベル付き） センタークロップ、エリアダウンサンプリング。
• lsun – LSUN 256×256。 センタークロップ、エリアダウンサンプリング。

例えば、セレブをダウンロードして抽出するには、

wget https://storage.googleapis.com/glow-demo/data/celeba-tfr.tar
tar -xvf celeb-tfr.tar

train.pyファイルのhps.data_dirを上記のフォルダを指すように変更します（または、 --data_dirを実行するときに--data_dirフラグを使用します）

シンプルトレイン、1 GPU

小さな深さでテストを実行する

CUDA_VISIBLE_DEVICES=0 python train.py --depth 1

MPIとHorovodを使用して複数のGPUでトレーニングする

8つのGPUでデフォルトのトレーニングスクリプトを実行する：

mpiexec -n 8 python train.py

アブレーション実験

mpiexec -n 8 python train.py --problem cifar10 --image_size 32 --n_level 3 --depth 32 --flow_permutation [0/1/2] --flow_coupling [0/1] --seed [0/1/2] --learntop --lr 0.001

CIFAR-10定量結果

mpiexec -n 8 python train.py --problem cifar10 --image_size 32 --n_level 3 --depth 32 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8

ImageNet 32​​x32定量結果

mpiexec -n 8 python train.py --problem imagenet-oord --image_size 32 --n_level 3 --depth 48 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8

ImageNet 64×64定量結果

mpiexec -n 8 python train.py --problem imagenet-oord --image_size 64 --n_level 4 --depth 48 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8

LSUN 64×64定量結果

mpiexec -n 8 python train.py --problem lsun_realnvp --category [bedroom/church_outdoor/tower] --image_size 64 --n_level 3 --depth 48 --flow_permutation 2 --flow_coupling 1 --seed 0 --learntop --lr 0.001 --n_bits_x 8

CelebA-HQ 256×256定性的結果

mpiexec -n 40 python train.py --problem celeba --image_size 256 --n_level 6 --depth 32 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5

LSUN 96×96および128×128定性的結果

mpiexec -n 40 python train.py --problem lsun --category [bedroom/church_outdoor/tower] --image_size [96/128] --n_level 5 --depth 64 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5

条件付きCIFAR-10定性的結果

mpiexec -n 8 python train.py --problem cifar10 --image_size 32 --n_level 3 --depth 32 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5 --ycond --weight_y=0.01

条件付きImageNet 32​​x32定性的結果

mpiexec -n 8 python train.py --problem imagenet --image_size 32 --n_level 3 --depth 48 --flow_permutation 2 --flow_coupling 0 --seed 0 --learntop --lr 0.001 --n_bits_x 5 --ycond --weight_y=0.01