DCGAN-tensorflow 训练自己的数据集及报错集锦 训练自己的数据集及报错集锦 今天我们利用DC-GAN来做训练一下自己的数据集，想要看看其逼真效果如何，准备用它来做做数据增强的工作。下面我们具 今天我们利用 来做训练一下自己的数据集，想要看看其逼真效果如何，准备用它来做做数据增强的工作。下面我们具 体阐述一下步骤： 体阐述一下步骤： 1.准备好自己的数据集 准备好自己的数据集 通过github下载DCGAN-tensorflow的代码，送上链接： [https://github.com/carpedm20/DCGAN-tensorflow] 然后在其根目录下建立data文件夹，进入data文件夹，建立自己的数据 集。 将其命名为licence,(你的数据集自己取名),然后进入main界面代码，我们主要介绍需要使用的参数。 2.修改相关参数 修改相关参数 注意：相关参数我已经根据我的需求进行了修改，当然你也可以不用修改直接在cmd，git，Cygwin上面运行。（这里主要就 是介绍输入的参数代表的含义） flags = tf.app.flags flags.DEFINE_integer("epoch", 600, "Epoch to train [25]") #迭代次数，根据你的需要自己设定 flags.DEFINE_float("learning_rate", 0.0002, "Learning rate of for adam [0.0002]") #学习率，就这个值可以不用管他 flags.DEFINE_float("beta1", 0.5, "Momentum term of adam [0.5]") flags.DEFINE_float("train_size", np.inf, "The size of train images [np.inf]") flags.DEFINE_integer("batch_size", 32, "The size of batch images [64]") #batch_size大小，所谓的每次迭代的图像数量 flags.DEFINE_integer("input_height", 80, "The size of image to use (will be center cropped). [108]") #输入的图像尺度之高度 flags.DEFINE_integer("input_width", 240, "The size of image to use (will be center cropped). If None, same value as input_height [None]") #输入的图像尺 度之宽度，如果不输入则表示和高度一致 flags.DEFINE_integer("output_height", 80, "The size of the output images to produce [64]") #输出的图像高度 flags.DEFINE_integer("output_width", 240, "The size of the output images to produce. If None, same value as output_height [None]") #输出的图像宽度， 如果不输入则表示和高度一致 flags.DEFINE_string("dataset", "licence", "The name of dataset [celebA, mnist, lsun]") #数据集地址，即我们刚刚命名的文件夹名 flags.DEFINE_string("input_fname_pattern", "*.png", "Glob pattern of filename of input images [*]") #扫描的图像后缀，根据你的需求而定，可以是.jpg,也 可以是.png等 flags.DEFINE_string("data_dir", "./data", "path to datasets [e.g. $HOME/data]") #这个也是定位数据集的，也是我们最开始建立data文件夹的初衷 flags.DEFINE_string("out_dir", "./out", "Root directory for outputs [e.g. $HOME/out]") #默认的输出文件夹 flags.DEFINE_string("out_name", "", "Folder (under out_root_dir) for all outputs. Generated automatically if left blank []") flags.DEFINE_string("checkpoint_dir", "checkpoint", "Folder (under out_root_dir/out_name) to save checkpoints [checkpoint]") flags.DEFINE_string("sample_dir", "samples", "Folder (under out_root_dir/out_name) to save samples [samples]") flags.DEFINE_boolean("train", True, "True for training, False for testing [False]") #该参数为True表示训练 flags.DEFINE_boolean("crop", True, "True for training, False for testing [False]") #该参数为True表示训练的时候用于裁剪图像 flags.DEFINE_boolean("visualize", True, "True for visualizing, False for nothing [False]") #可视化功能 flags.DEFINE_boolean("export", False, "True for exporting with new batch size") flags.DEFINE_boolean("freeze", False, "True for exporting with new batch size") flags.DEFINE_integer("max_to_keep", 1, "maximum number of checkpoints to keep") #保存checkpoints的最大数量 

flags.DEFINE_integer("sample_freq", 100, "sample every this many iterations") flags.DEFINE_integer("ckpt_freq", 100, "save checkpoint every this many iterations") flags.DEFINE_integer("z_dim", 100, "dimensions of z") flags.DEFINE_string("z_dist", "uniform_signed", "'normal01' or 'uniform_unsigned' or uniform_signed") flags.DEFINE_boolean("G_img_sum", True, "Save generator image summaries in log") #flags.DEFINE_integer("generate_test_images", 100, "Number of images to generate during test. [100]") FLAGS = flags.FLAGS 3.进行训练 进行训练 前述：两种方式，一种方式就是我们上面修改了参数过后，在Pycharm或者或者VScode等上运行，这样便于进行相关内容的调 前述：两种方式，一种方式就是我们上面修改了参数过后，在 等上运行，这样便于进行相关内容的调 试。第二种就是直接在Git或者或者Cmd,Cygwin等上进行。 试。第二种就是直接在 等上进行。 在命令行运行时，输入： python main.py --input_height 80 --input_width 240 --output_height 80 --output_width 240 --dataset licence --crop --train --epoch 600 -- input_fname_pattern "*.png" 在Pycharm运行就按照上面的操作修改参数然后进行运行 4.错误调试 错误调试 如果你遇到了错误，先进行调试。比如我遇到了这样一个错误： …DCGAN-tensorflow-master/utils.py”, line 94, in center_crop im = Image.fromarray(x[j:j+crop_h, i:i+crop_w]) File “/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/PIL/Image.py”, line 2517, in fromarray raise TypeError(“Cannot handle this data type”) TypeError: Cannot handle this data type 对于这个错误经过调试发现出现的原因是在crop当中，可以参照此处修改 解决方法就是在utils.py中找到get_image()函数注释掉代码块 注释掉代码块 return transform(image, input_height, input_width, resize_height, resize_width, crop) 改为 return image 重新运行即可。 后来发现还有一个隐藏的很深的错误 后来发现还有一个隐藏的很深的错误：训练很成功，但是却没有保存图片。 "one pic error!..." 追随到根源，发现是utils.py中的**image_manifold_size(num_images)**函数： 当 manifold_h * manifold_w !=num_images 时，就会出现 one pic error的错误。于是我们来手动计算一下，当时我们用的batch_size是 32，所以np.sqrt(num_images)就等于5.656…,np.floor(5.656)为5，np.ceil(5.656)=6,两个相乘就不等于32了，这就报错了，这 错真够绝的，改成64或者16就可以了。 作者：A CSPV Boy