The anogan-pytorch from xianyupro

anogan-pytorch's Introduction

AnoGAN(Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery)

论文地址

下载链接

代码配套博客

博客地址

所需环境

python
pytorch
Windows或Ubuntu或其它系统

文件结构

├── AnoGAN-pytorch: 根目录
  ├── data: mnist数据集下载保存地址  
  ├── result: 保存程序运行的结果
  ├── mnist_data.py: mnist数据集的读取
  ├── model.py: 生成器网络和判别器网络的搭建
  ├── train.py: 模型的训练与缺陷检测

训练步骤

数据集下载

点击☞☞☞ 下载mnist数据集至data文件夹中并解压到当前文件夹，data中文件目录如下：

本次使用的mnist数据集为csv格式，方便读取。
直接运行train.py文件。win直接右键运行即可，ubuntu使用python train.py执行。

注意事项

在mnist_data.py文件中定义mnist数据集存储路径，默认.\data\mnist_train.csv和.\data\mnist_test.csv。如若你的mnist数据集存放在别处，请自行修改。

在train.py文件中设置了--batch_size等等参数，这些参数只针对生成网络和对抗网络的训练，对于缺陷检测的测试，没有定义参数，大家可手动修改或自行添加相关参数。

def parse_args():
    import argparse
    parser = argparse.ArgumentParser(description="pytorch fcn training")
    parser.add_argument("--device", default="cuda", help="training device")
    parser.add_argument("-b", "--batch_size", default=128, type=int)
    parser.add_argument("--epochs", default=300, type=int, metavar="N",
                        help="number of total epochs to train")
    args = parser.parse_args()
    return args