Pytorch实现的多任务CycleGAN，具备辅助分类损失功能，其颜色分类标注为leetcode-multitask-CycleGAN

颜色分类leetcode 多任务-CycleGAN 使用pytorch 的实现。 此外，该实现使用具有半监督学习的多任务学习，这意味着利用数据标签。 该模型将男性转换为女性或将女性转换为男性。 下图显示了面部特征（化妆、小胡子、胡须等）和图像质量等方面的改进。 原文：无半监督学习/改进：有半监督学习 与原始 CycleGAN 有何不同？ 批量大小 1 -> 16 实例归一化 -> 批量归一化 模型架构 平滑贴标 具有分类损失的多任务学习（半监督学习） 。 效果和细节 1. 增加批大小并用批范数替换实例范数这种变化使模型能够识别男性和女性头发长度的差异。 应用此更改后，生成器开始绘制或擦除头发。 2.平滑标记和模型架构变化基本上，鉴别器很容易压倒生成器。 如果发生这种情况，生成器会试图以不正确的方式欺骗​​鉴别器。 鉴别器和生成器之间的平衡对性能很重要。 为了解决这个问题，使用平滑标记并改变模型架构。 3. Discriminator 的第一次卷积中没有 Batch Norm DCGAN 建议不要在第一个卷积中使用归一化。 如果你不遵循这一点，生成器将生成大约 -0.7 ~ 0.7 范围