实现是一个单一文件 pix2pix.py ，尽可能在 TensorFlow 图谱之内。移植过程多是观察现有的 Torch 实现和 Torch 源代码，搞明白什么种类的层和设置被使用，以确保 TensorFlow 版本与原始版本尽可能一致。调试一个有问题的实现很耗时间，因此我细心地尝试这次转化以规避掉大量的调试。

pix2pix.py：

　　https://github.com/affinelayer/pix2pix-tensorflow/blob/master/pix2pix.py

实现开始于创建生成器图，接着是鉴别器图，最后是训练系统。在运行时使用 Torchpix2pix 代码打印生成器和鉴别器图。我在 Torch 框架源中寻找不同的图层类型，并发现了当前的设置和操作，以及如何在 Tensorflow 中将其实现。

最理想的情况是能把 pix2pix 训练的网络权重导进 Tensorflow 以验证图形构造。但是这令人厌烦，而且我很不擅长 Torch，所以我没有那样做。

本代码中的大多数错误与 Tensorflow 的 build-graph-then-execute 模型相关，如果你习惯于命令式代码，那么 Tensorflow 会让你感到一点惊讶。

论文：Image-to-Image Translation with Conditional Adversarial Networks

摘要：为实现图像到图像转化（image-to-image translation）任务，我们研究了条件对抗网络。这些网络不仅会学习从输入图像到输出图像的映射，而且还学习损失函数来训练映射。这使得我们不必在此类任务中加入通常需要的不同的损失公式。我们的实验证明了这种方法在从有标记的地图中生成照片，利用单色线图生成照片，为黑白图填充色彩等任务中是有效的。我们证明了在此类模型的训练中，人类不再需要手动输入的映射函数以及损失函数。

原文链接：https://affinelayer.com/pix2pix/

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]