【GAN不适配PaddleScience的封装训练】

[zhudequan9]

需求描述 Feature Description

GAN需要在单个epoch的train中，先更新判别器，每隔几个批次更新一次生成器。但是，solver.train()方法封装了全部epochs的训练，无法在内部设置。

替代实现 Alternatives

替代实现：

1. 设置Solver的参数epochs =1、iters_per_epoch = 1；这样solver.train()就只训练了一个batch。
2. 通过交替调用solver_dis.train()和sovler_gen.train()，可以实现GAN的训练。

缺点：

1. 由于每个epoch训练后都会强制保存checkpoint。这导致每训练一个batch就会保存一次，很影响训练性能。
2. GAN训练两个模型，需要两个Optimizer，但是一个solver只有一个Optimizer，所以需要定义两个solver，同时也会有两个DataLoader。（内存占用大，重复读取数据，并且数据shuffle后，同一批次内，两个模型训练的数据不同）

[HydrogenSulfate]

感谢反馈！近期我会调研下GAN的通用训练流程，预期会在train.py里加一个def train_GAN_epoch_func函数来完成GAN的训练。

[HydrogenSulfate]

需求描述 Feature Description

GAN需要在单个epoch的train中，先更新判别器，每隔几个批次更新一次生成器。但是，solver.train()方法封装了全部epochs的训练，无法在内部设置。

替代实现 Alternatives

替代实现：

1. 设置Solver的参数epochs =1、iters_per_epoch = 1；这样solver.train()就只训练了一个batch。
2. 通过交替调用solver_dis.train()和sovler_gen.train()，可以实现GAN的训练。

缺点：

1. 由于每个epoch训练后都会强制保存checkpoint。这导致每训练一个batch就会保存一次，很影响训练性能。
2. GAN训练两个模型，需要两个Optimizer，但是一个solver只有一个Optimizer，所以需要定义两个solver，同时也会有两个DataLoader。（内存占用大，重复读取数据，并且数据shuffle后，同一批次内，两个模型训练的数据不同）

@9zdq 你好，我根据已有的tempoGAN、标准的GAN训练流程

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 定义生成器模型
class Generator(nn.Module):
    def __init__(self, z_dim=100, img_dim=1*28*28):
        super(Generator, self).__init__()
        self.gen = nn.Sequential(
            nn.Linear(z_dim, 256),
            nn.ReLU(),
            nn.Linear(256, 512),
            nn.ReLU(),
            nn.Linear(512, 1024),
            nn.ReLU(),
            nn.Linear(1024, img_dim),
            nn.Tanh(),
        )

    def forward(self, x):
        return self.gen(x)

# 定义判别器模型
class Discriminator(nn.Module):
    def __init__(self, img_dim=1*28*28):
        super(Discriminator, self).__init__()
        self.disc = nn.Sequential(
            nn.Linear(img_dim, 1024),
            nn.LeakyReLU(0.2),
            nn.Linear(1024, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 1),
            nn.Sigmoid(),
        )

    def forward(self, x):
        return self.disc(x)

# 设置一些超参数
z_dim = 100
lr = 0.0002
batch_size = 64
num_epochs = 50
img_dim = 1*28*28

# 准备数据集和数据加载器
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])
dataset = datasets.MNIST(root='dataset/', transform=transform, download=True)
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 初始化生成器和判别器
generator = Generator(z_dim, img_dim).to('cuda')
discriminator = Discriminator(img_dim).to('cuda')

# 定义损失函数和优化器
criterion = nn.BCELoss()
opt_gen = optim.Adam(generator.parameters(), lr=lr)
opt_disc = optim.Adam(discriminator.parameters(), lr=lr)

# 训练GAN
for epoch in range(num_epochs):
    for batch_idx, (real, _) in enumerate(dataloader):
        real = real.view(-1, img_dim).to('cuda')
        batch_size = real.size(0)

        # 训练判别器
        noise = torch.randn(batch_size, z_dim).to('cuda')
        fake = generator(noise)
        disc_real = discriminator(real).view(-1)
        disc_fake = discriminator(fake).view(-1)
        lossD_real = criterion(disc_real, torch.ones_like(disc_real))
        lossD_fake = criterion(disc_fake, torch.zeros_like(disc_fake))
        lossD = (lossD_real + lossD_fake) / 2
        discriminator.zero_grad()
        lossD.backward(retain_graph=True)
        opt_disc.step()

        # 训练生成器
        output = discriminator(fake).view(-1)
        lossG = criterion(output, torch.ones_like(output))
        generator.zero_grad()
        lossG.backward()
        opt_gen.step()

    print(f"Epoch [{epoch+1}/{num_epochs}] Loss D: {lossD:.4f}, loss G: {lossG:.4f}")

以及pytorch-lighning对GAN的支持方式，个人认为GAN的训练形式非常灵活，如果封装到PaddleScience中让用户去填写对应的代码、配置内容，反而会增加开发成本，考虑到ppsci下的API，除了ppsci.solver，其余的模块基本都能单独使用，所以建议GAN这里一类的模型直接用ppsci.*+paddle.*两类API在案例文件里手写训练代码，这样是最快的方式。