pytorch==1.2.0
为了验证模型的有效性，我使用了花的例子进行了训练。
训练好的生成器与判别器模型Generator_Flower.pth、Discriminator_Flower.pth可以通过百度网盘下载或者通过GITHUB下载
权值的百度网盘地址如下：
链接: https://pan.baidu.com/s/1AMh52TauVT7nyn874BCAgg 提取码: dubv
花的数据集可以通过百度网盘下载：
链接: https://pan.baidu.com/s/1ITA1Lw_K28B3nbNPnI3_Kw 提取码: 11yt
- 下载完库后解压，直接运行predict.py，在终端点击enter，即可生成图片，生成图片位于results/predict_out/predict_1x1_results.png，results/predict_out/predict_5x5_results.png。
- 按照训练步骤训练。
- 在dcgan.py文件里面，在如下部分修改model_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件。
_defaults = {
#-----------------------------------------------#
# model_path指向logs文件夹下的权值文件
#-----------------------------------------------#
"model_path" : 'model_data/Generator_Flower.pth',
#-----------------------------------------------#
# 卷积通道数的设置
#-----------------------------------------------#
"channel" : 64,
#-----------------------------------------------#
# 输入图像大小的设置
#-----------------------------------------------#
"input_shape" : [64, 64],
#-------------------------------#
# 是否使用Cuda
# 没有GPU可以设置成False
#-------------------------------#
"cuda" : True,
}- 运行predict.py，在终端点击enter，即可生成图片，生成图片位于results/predict_out/predict_1x1_results.png，results/predict_out/predict_5x5_results.png。
- 训练前将期望生成的图片文件放在datasets文件夹下（参考花的数据集）。
- 运行根目录下面的txt_annotation.py，生成train_lines.txt，保证train_lines.txt内部是有文件路径内容的。
- 运行train.py文件进行训练，训练过程中生成的图片可查看results/train_out文件夹下的图片。