运行本目录下的程序示例需要使用PaddlePaddle develop最新版本。如果您的PaddlePaddle安装版本低于此要求，请按照安装文档中的说明更新PaddlePaddle安装版本。
Cycle GAN 是一种image to image 的图像生成网络，实现了非对称图像数据集的生成和风格迁移。模型结构如下图所示，我们的模型包含两个生成网络 G: X → Y 和 F: Y → X，以及相关的判别器 DY 和 DX 。通过训练DY,使G将X图尽量转换为Y图，反之亦然。同时引入两个“周期一致性损失”，它们保证:如果我们从一个领域转换到另一个领域，它还可以被转换回去:(b)正向循环一致性损失:x→G(x)→F(G(x))≈x， (c)反向循环一致性损失:y→F(y)→G(F(y))≈y
图1.网络结构
动态图文档请见Dygraph
├── data_reader.py # 读取、处理数据。
├── layers.py # 封装定义基础的layers。
├── model.py # 定义基础生成网络和判别网络。
├── trainer.py # 构造loss和训练网络。
├── train.py # 训练脚本。
└── infer.py # 预测脚本。
本教程使用 cityscapes 数据集 来进行模型的训练测试工作，可以通过指定 python download.py --dataset cityscapes 下载得到。
cityscapes 训练集包含2975张街景实拍图片，2975张对应真实街景的语义分割图片。测试集包含499张实拍图片和499张语义分割图片。
数据下载处理完毕后，并组织为以下路径结构：
data
|-- cityscapes
| |-- testA
| |-- testA.txt
| |-- testB
| |-- testB.txt
| |-- trainA
| |-- trainA.txt
| |-- trainB
| `-- trainB.txt
以上数据文件中，data文件夹需要放在训练脚本train.py同级目录下。testA为存放真实街景图片的文件夹，testB为存放语义分割图片的文件夹，testA.txt和testB.txt分别为测试图片路径列表文件，格式如下：
data/cityscapes/testA/234_A.jpg
data/cityscapes/testA/292_A.jpg
data/cityscapes/testA/412_A.jpg
训练数据组织方式与测试数据相同。
在GPU单卡上训练:
env CUDA_VISIBLE_DEVICES=0 python train.py
执行python train.py --help可查看更多使用方式和参数详细说明。
图1为训练152轮的训练损失示意图，其中横坐标轴为训练轮数，纵轴为在训练集上的损失。其中，'g_loss','d_A_loss'和'd_B_loss'分别为生成器、判别器A和判别器B的训练损失。
todo：loss曲线
执行以下命令可以选择已保存的训练权重，对测试集进行测试，通过 --epoch 制定权重轮次：
env CUDA_VISIBLE_DEVICES=0 python test.py --epoch=200
生成结果在 output_0/eval中
执行以下命令读取单张或多张图片进行预测：
真实街景生成分割图像：
env CUDA_VISIBLE_DEVICES=0 python infer.py \
--init_model="./output_0/checkpoints/199" --input="./image/testA/123_A.jpg" \
--input_style=A
分割图像生成真实街景：
env CUDA_VISIBLE_DEVICES=0 python infer.py \
--init_model="./output_0/checkpoints/199" --input="./image/testB/78_B.jpg" \
--input_style=B
生成结果在 output_0/single中
训练180轮的模型预测效果如fakeA和fakeB所示：
A2B
B2A
在本文示例中，均可通过修改
CUDA_VISIBLE_DEVICES改变使用的显卡号。