-
接口类文件为aigcmn.py。
-
调用步骤与代码演示:
-
test=AiGcMn("generator_params.pth","discriminator_params.pth")
创建AiGcMn接口类的实例,需要传入2个str类型的参数(是预先训练好并保存的模型参数),分别为包含文件中的2个文件的文件名:
"generator_params.pth"
和"discriminator_params.pth"
-
test.misc()
misc()
为其他处理函数,用于加载模型参数和其他中间过程的处理 -
output_tensor=test.generate(target=input)
接口函数为generate:有一个target参数,类型为一个整型的n维torch.Tensor(n是batch的大小,每个整数在0~9范围内,代表需要生成的数字);
该函数的返回
output_tensor
为n * 1 * 28 * 28的tensor(n是batch的大小,每个1 * 28 * 28的tensor表示随机生成的数字图像);并且会在当前目录生成一个1行n列的对应数字的网格图像
-
-
示例代码:
if __name__=='__main__': data = [0,1,2,3,4,5,6,7,8,9] # input为输入的整数型n维tensor input=torch.tensor(data) # 创建AiGcMn接口类的实例,需要传入2个参数(是预先训练好的模型参数) test=AiGcMn("generator_params.pth","discriminator_params.pth") # misc()为其他处理函数,用于加载和中间过程的处理 test.misc() """ 接口函数generate:target参数为一个整型的n维torch.Tensor, (n是batch的大小,每个整数在0~9范围内,代表需要生成的数字) 该函数返回n*1*28*28的tensor (n是batch的大小,每个1*28*28的tensor表示随机生成的数字图像) 并且会在当前目录生成一行对应数字的网格图像 """ output_tensor=test.generate(target=input) print("输出图像tensor.size: ",output_tensor.size())
终端输出为:
输出图像tensor.size: torch.Size([10, 1, 28, 28])