$ train.py --name Flickr
--dataset_mode custom --label_dir gm_TTTT/test_label
--image_dir gm_TTTT/test_img
--continue_train --load_from_opt_file --gpu_ids=1 --niter 1000
--save_epoch_freq 100
--batchSize 1 --lr 0.0005
--preprocess_mode resize_and_crop --which_epoch 50 --print_freq 10
50epoch : base.
초당 2 update.
그림자 반영 x
순서대로 25초, 75초, 125초, 175초, ... (최적화 전)
최적화:
Training Rootine 수정
learning rate 수정
optimizer 수정
Loss함수 수정
...
(빠른 reconstruction에 초점)
image :
001.jpg
label :001.png
+001_01.png
~001_06.png
(total 7)
(단, SPADE 실행 시에는 image와 label의 파일 명이 같아야 한다.)
나중에 모듈 만들어서 조금 더 간편하게 inference 하는걸로.
Point
(Epoch이 지남에 따라)
1. 원본 이미지를 얼마나 잘 유지하는가
2. SPADE 모델의 성능이 얼마나 잘 유지되는가
$ python test.py --name Flickr --dataset_mode custom --load_from_opt_file --gpu_ids -1 --which_epoch 50 --image_dir gm_TTTT/test_img --label_dir gm_TTTT/test_label
x 7 반복
원본
$ python test.py --name Flickr --dataset_mode custom --load_from_opt_file --gpu_ids -1 --which_epoch 300 --image_dir gm_TTTT/test_img --label_dir gm_TTTT/test_label
원본
$ python test.py --name Flickr --dataset_mode custom --load_from_opt_file --gpu_ids -1 --which_epoch 700 --image_dir gm_TTTT/test_img --label_dir gm_TTTT/test_label
원본
[image 1- label 1]에 Training 시킨 다음, [image 2 - label 2]를 Inference할 경우