目录pix2pix特殊之处理论基础：model.eval()、model.train()、withtorch.no_grad()model.eval()、model.train()withtorch.no_grad()实际操作参考资料pix2pix特殊之处pix2pix模型在测试时与众不同的特点：1、使用dropout，引入随机性，否则容易无论什么输入都生成一样的图2、使用Bat

三大图生图模型sd-refiner，sd-variations，pix2pix部署模型下载地址及前后端代码地址：pylzzz.online效果图：相似图（sd-variations模型）细化图（sd-refiner）：衍生图（pix2pix）

我针对如何使用pytorch-CycleGAN-and-pix2pix-master的代码进行了简单讲解，代码链接在下：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixvisdom可视化首先启动visdom可视化，可以看到loss变化等python-mvisdom.server然后在本地网页打开http://localhost:8097即

github地址数据准备需要一个root_dir,下面有trainA，trainB两个文件夹只运行训练py文件可以不需要testA，testBgitclone从官方原文github克隆到本地来gitclonehttps:/

大家好，我是阿潘，上面的演示视频来源推特上面的分享上面的技术大概是图像翻译的应用（例如pix2pix、SPADE、CoCosNet等类似的算法）以pix2pix为例，当我们输入训练集中不存在的轮廓