shuxiangguo/ddpm-pytorch

这个是一个ddpm的pytorch仓库，可以用于训练自己的数据集。

DDPM: Denoising Diffusion Probabilistic Models模型在pytorch当中的实现

---

目录

1. 所需环境 Environment
2. 文件下载 Download
3. 预测步骤 How2predict
4. 训练步骤 How2train
5. 参考资料 Reference

所需环境

pytorch==1.7.0 pytorch==1.2.0无法在windows下载入2G以上的权重，无法正常使用，不推荐。

文件下载

为了验证模型的有效性，我使用了花的例子进行了训练。
训练好的生成器模型Diffusion_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/1AI5jB0OPYbLGAX4JLbotXA 提取码: kbtp

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

预测步骤

a、使用预训练权重

1. 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。

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 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/Diffusion_Flower.pth',
    #-----------------------------------------------#
    #   卷积通道数的设置
    #-----------------------------------------------#
    "channel"           : 128,
    #-----------------------------------------------#
    #   输入图像大小的设置
    #-----------------------------------------------#
    "input_shape"       : (64, 64),
    #---------------------------------------------------------------------#
    #   betas相关参数
    #---------------------------------------------------------------------#
    "schedule"          : "linear",
    "num_timesteps"     : 1000,
    "schedule_low"      : 1e-4,
    "schedule_high"     : 0.02,
    #-------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #-------------------------------#
    "cuda"              : True,
}

3. 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。

训练步骤

1. 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）。
2. 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。
3. 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。