DP-GAN剩余代码
在前面计算完损失后，该进行更新：
1：netEMA是模型的生成器：
遍历生成器的state_dict，将每一个键对应的值乘以EMA_decay。
接着根据当前迭代步数计算num_upd，每1000,2500,10000代倍数就执行一次。
当num_upd大于50就跳出更新EMA。
接着对图片进行上色：
def visualize_batch(self, model, image, label, cur_iter):self.save_images(label, "label", cur_iter, is_label=True)self.save_images(image, "real", cur_iter)with torch.no_grad():model.eval()fake = model.netG(label)self.save_images(fake, "fake", cur_iter)model.train()if not self.opt.no_EMA:model.eval()fake = model.netEMA(label)self.save_images(fake, "fake_ema", cur_iter)model.train()
首先对标签进行上色：
label即batch是经过one-hot编码后的标签大小为(5,35,256,512)。
接着len(batch）=5，取第一个batch对应的tensor。
进行上色：
首先获得camp：
生成的colormap包含空像素和噪声，一共有36个类别，所以执行else语句。
首先生成一个全为0的列表，大小为(36,3)—>接着遍历每个类别，初始化r=g=b=0—>id = 1—>接着遍历7次，首先将id转换为二进制类型。
def uint82bin(n, count=8):"""returns the binary of integer n, count refers to amount of bits"""return ''.join([str((n >> y) & 1) for y in range(count - 1, -1, -1)])
#y = 7,6,5,4,3,2,1,0
y分别取值为7,6,5,4,3,2,1,0。
将n右移位7位，n为1，则移位后为0，分别移位，只有当y等于0时，不移位，n才为1.最后返回一个字符串’00000001’.
移位操作
分别取str_id的倒数1,2，3位。然后将1,0,0分别左移七位，1左移后变为二进制为1000 0000即128.0左移后还是0，所以r=128,g=b=0.
最后id=1右移3位，变为0.
在j循环里执行8次，则下一次id=0.在uint82bin函数中，0不管位移多少次都为0，且0&1=0，所以最后输出’00000000’.
则r = 128^(0)=128.
因为128=(10000000),0=(00000000),(1异或0=1),(0异或0=0)，所以128^(0)=128。这样执行7次后，将r填充为第一行第一列，g填充为第一行第二列，b填充为第一行第三列。这样执行for循环36次，则camp就会被重新填充一遍。
将camp转换为tensor。生成一个由0填充的(3,256,512)大小的size。同时对label的其中一个batch数据求类别。
tens大小由(35,256,512)变为(1,256,512)。
len(camp)=36，开始label=0时，tens[0]=(256,512)，label==tens[0]会得到一个mask,其中tens中等于0的类别为True，不等于0的为false。
color_image[0]取得color_image第一层R通道，cmap[label][0]为第一行第一列即128，将mask对应的值全部替换为128.同理G和B通道也是这样处理。这样循环36次，将每一个类别都上色。最后输出经过填充的彩色图。
最后将label进行转置，方便cv2保存。
最后将batch剩余的四个图片也进行处理。将五张图放在一个图片上保存到指定位置。
下一步对image处理：
将tens小于0的设置为0，大于1的设置为1.再转置为(h,w,c)格式。
在eval时候，将label输入到生成器中，生成fake image，大小为(5,3,256,512)。将生成的fake image保存起来。
netEMA是对生成器的深拷贝。
下一步计算训练一个batch所需要的时间：
将epoch，总epoch,当前迭代，所花费的时间写到progress.txt文件中，并打印出来。
下一步：
通过控制latest,best来保存权重。
最重要看一下FID计算：比较麻烦，到时候重新开一章。