.CycleGAN
├─ README.md                            # 关于CycleGAN的说明
├─ data
  └─ download_cyclegan_dataset.sh.py    # 下载数据集
├── scripts
  └─ run_train_ascend.sh                # 启动Ascend训练（单卡）
  └─ run_train_standalone_gpu.sh        # 启动GPU训练（单卡）
  └─ run_train_distributed_gpu.sh       # 启动GPU训练（8卡）
  └─ run_infer_310.sh                   # 启动Ascend 310推理
├─ imgs
  └─ objects-transfiguration.jpg        # CycleGAN图像
├─ Ascend310_infer
  ├─ src
    ├─ main.cc                         # Ascend 310推理源码
    └─ utils.cc                        # Ascend 310推理源码
  ├─ inc
    └─ utils.h                         # Ascend 310推理源码
  ├─ build.sh                          # Ascend 310推理源码
  ├─ CMakeLists.txt                    # Ascend 310推理程序的CMakeLists
  └─ fusion_switch.cfg                 # 使用BatchNorm2d代替InstanceNorm2d
├─ src
  ├─ __init__.py                       # 初始化文件
  ├─ dataset
    ├─ __init__.py                     # 初始化文件
    ├─ cyclegan_dataset.py             # 创建CycleGAN数据集
    └─ distributed_sampler.py          # 数据集迭代器
  ├─ models
    ├─ __init__.py                     # 初始化文件
    ├─ cycle_gan.py                    # CycleGAN模型定义
    ├─ losses.py                       # CycleGAN损失函数定义
    ├─ networks.py                     # CycleGAN子网定义
    ├─ resnet.py                       # ResNet生成网络
    └─ depth_resnet.py                 # 更好生成网络
  └─ utils
    ├─ __init__.py                     # 初始化文件
    ├─ args.py                         # 解析参数
    ├─ reporter.py                     # Reporter类
    └─ tools.py                        # CycleGAN工具
├─ eval.py                             # 生成图像，顺序A->B以及B->A
├─ train.py                            # 训练脚本
├─ export.py                           # 导出MindIR脚本
├─ preprocess.py                       # Ascend 310推理的数据预处理脚本
└─ postprocess.py                      # Ascend 310推理的数据后处理脚本

"platform": Ascend       # 运行平台，支持GPU、Ascend和CPU。
"device_id": 0           # 设备ID，默认值为0。
"model": "resnet"        # 生成器模型。
"pool_size": 50          # 存储以前生成图像的缓冲区大小，默认值为50。
"lr_policy": "linear"    # 学习率策略，默认值为linear。
"image_size": 256        # 输入image_size，默认值为256。
"batch_size": 1          # batch_size，默认值为1。
"max_epoch": 200         # 训练的epoch大小，默认值为200。
"in_planes": 3           # 输入通道，默认值为3。
"ngf": 64                # 生成器模型过滤器数量，默认值为64。
"gl_num": 9              # 生成器模型残差块数量，默认值为9。
"ndf": 64                # 判别模型过滤器数量，默认值为64。
"dl_num": 3              # 判别模型残差块数量，默认值为9。
"outputs_dir": "outputs" # 模型保存在此处，默认值为./outputs。
"dataroot": None         # 图像路径（应具有子文件夹trainA、trainB、testA、testB等）。
"load_ckpt": False       # 是否加载预训练的ckpt。
"G_A_ckpt": None         # G_A的预训练检查点文件路径。
"G_B_ckpt": None         # G_B的预训练检查点文件路径。
"D_A_ckpt": None         # D_A的预训练检查点文件路径。
"D_B_ckpt": None         # D_B的预训练检查点文件路径。

python eval.py --platform [PLATFORM] --dataroot [DATA_PATH] --G_A_ckpt [G_A_CKPT] --G_B_ckpt [G_B_CKPT]

python export.py --platform GPU --model ResNet --G_A_ckpt /path/to/GA.ckpt --G_B_ckpt /path/to/GB.ckpt --export_file_name /path/to/<prefix> --export_file_format ONNX

python eval_onnx.py --platform [PLATFORM] --dataroot [DATA_PATH] --export_file_name /path/to/<prefix>

python export.py --G_A_ckpt [CKPT_PATH_A] --G_B_ckpt [CKPT_PATH_A] --export_batch_size 1 --export_file_name [FILE_NAME] --export_file_format [FILE_FORMAT]

# Ascend 310推理
bash ./scripts/run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [DATA_MODE] [NEED_PREPROCESS] [DEVICE_TARGET] [DEVICE_ID]

bash ./scripts/run_infer_310.sh ./310_infer/CycleGAN_AtoB.mindir ./data/horse2zebra AtoB y Ascend 0