图像数据上条件生成对抗神经网络的可扩展均衡训练
计算机视觉与模式识别
2021-04-30 v1 人工智能
摘要
我们提出一种分布式方法来训练深度卷积生成对抗神经网络（DC-CGANs）模型。我们的方法根据数据标签对训练数据进行划分，从而减小生成器与判别器之间的不平衡，并通过并行训练提升可扩展性：多个生成器被同时训练，每个生成器专注于单一数据标签。在MNIST、CIFAR10、CIFAR100和ImageNet1k数据集上，根据inception score和图像质量评估性能，结果显示与最先进的DC-CGANs训练技术相比有显著改进。在OLCF超级计算机Summit上使用多达1,000个进程和2,000块NVIDIA V100 GPU，在所有四个数据集上均实现了弱扩展。
引用
@article{arxiv.2102.10485,
title = {Scalable Balanced Training of Conditional Generative Adversarial Neural Networks on Image Data},
author = {Massimiliano Lupo Pasini and Vittorio Gabbi and Junqi Yin and Simona Perotto and Nouamane Laanait},
journal= {arXiv preprint arXiv:2102.10485},
year = {2021}
}