著名网站This person do not exist（这个人不存在）即是使用GAN技术制成，但要做出假以乱真的图片，训练GAN需要一定数量的数据集做训练；对于数据量偏少的开发者，真的就只能干瞪眼放弃吗？
Adobe工程师开发新形态GAN技术，一张图也能成功训练！
本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处
对不同的生成器采用不同的学习率（learning rate）。
下图就展示了使用这两种方法实现的模型。默认情况下，最多同时训练3个生成器，并对较低的生成器，分别将学习率调至1/10和1/100。
在这个过程中，有一个有趣的现象。
如果对较低的生成器采用较高的学习率，那么生成的图像质量会高些，但是差异性较弱。
相反，如果对较低的生成器采用较小的学习率，那么生成图像的差异性会丰富一些。如下图所示。
程序代码已在GitHub上开源
ConSinGAN的程序代码已经在GitHub上开源。
老规矩，先介绍一下运行所需要的环境：Python 3.5；Pytorch 1.1.0。
安装也非常简单：
pip install -r requirements.txt
若要使用论文中的默认参数训练模型：
python main_train.py–gpu 0–train_mode generation–input_name Images/Generation/angkorwat.avif
在英伟达GeForce GTX 1080Ti上训练一个模型大约需要20–25分钟。
不同的学习率和训练阶段数量，会影响实验的结果，研究人员推荐二者的默认值分别是0.1和6。
当然也可以修改学习率：
python main_train.py–gpu 0–train_mode generation–input_name Images/Generation/colusseum.avif–lr_scale 0.5
修改训练阶段的数量：
python main_train.py–gpu 0–train_mode generation–input_name Images/Generation/colusseum.avif–train_stages 7
当然，模型也可以用来处理“图像协调”和“图像编辑”等任务，详情可参阅GitHub。