train.py 是通用训练脚本。它为许多模型（可选的模型比如：pix2pix, cyclegan, colorization）和不同的数据集服务（可选的数据集模式包括：aligned, unaligned, single, colorization）。
test.py 是通用测试脚本。如果用train.py训练好了自己的模型，可以用测试脚本对模型进行测试。脚本会从 checkpoints_dir 中加载保存好的模型，并将结果保存在 results_dir 处。
data 目录包括了所有与数据加载和预处理相关的模块。如果想要添加名为 dummy 的自定义数据集类，则需要创建 dummy_dataset.py 文件，并定义继承 Base Dataset 的子类（subclass）Dummy Dataset。需要实现四个功能：1）__init__（初始化类，首先要调用BaseDataset.__init__(self, opt)），2）__len__（返回数据集大小），3）__getitem__（获取数据点）， 4）modify_commandline_options（添加特定于数据集的选项，设置默认选项）。可以通过指定--dataset_mode去使用数据集类（dataset class）。下面详细解释每个文件。
__init__.py 实现了data包和训练及测试脚本文件的接口，train.py 和 test.py 从 data import create_dataset 和 dataset = create_dataset(opt) 调用数据，用给定的选项 opt. 创建数据集。
base_dataset.py 为数据集实现了理论上的基类 (ABC)。它还包括常见的转换函数（比如 get_transform,__scale_width），这些函数可以在之后的子类中使用。
image_folder.py 实现一个 image folder 类。我们修改了官方 PyTorch 的 image folder 代码以便这个类可以从当前目录及其子目录中加载图像。
template_dataset.py 提供了一个包含详细文档的数据集模板。如果计划实现自己的数据集可以检查此文件。
aligned_dataset.py 包含一个可以加载图像对的数据集类。它假设一个单一图像目录 /path/to/data/train，这个目录包括 {A,B} 形式的图像对。在测试时，需要准备目录 /path/to/data/test作为测试数据。
unaligned_dataset.py 包含一个可以加载未对齐/未配对数据集的数据集类。它假设两个目录分别承载来自域A /path/to/data/trainA 和域B /path/to/data/trainB 的训练图像。可以用数据集标志 --dataroot /path/to/data 训练模型。同样，需要在测试期间准备两个目录 /path/to/data/testA 和 /path/to/data/testB。
single_dataset.py 包含一个 dataset 类，它可以通过指定路径 --dataroot /path/to/data 来加载一组单个图像。它可以用可选的测试模型来生成单边 CycleGAN 的结果。
colorization_dataset.py 实现了一个 dataset 类，可以加载一组 RGB 的自然图像，并且在Lab color space 中将 RGB 格式转换为 (L, ab) 对。它是基于 Pix2Pix 的着色模型所要求的 (--model colorization)。
models 目录包含了与目标函数、优化和网络体系结构相关的模块。要添加名为 dummy 的自定义数据集类，则需要创建 dummy_model.py 文件，并定义一个继承 Base Model 的子类（subclass）Dummy Model。需要实现以下功能：1）__init__（初始化类，首先要调用BaseModel.__init__(self, opt)），2）set__input（从数据集中解包数据并进行预处理），3）forward（生成中间结果）， 4）optimize_parameters（计算损失、梯度，更新网络权重）。5）也可以添加modify_commandline_options （通过添加特定于模型的选项来设置默认选项）。可以通过指定标志 --model dummy 来使用模型类。下面详细解释每个文件。
__init__.py 实现了 model 包和训练及测试脚本文件的接口，train.py 和 test.py用 from models import create_model 和 model = create_model(opt) ，用给定的选项 opt.创建模型。用 model.setup(opt) 初始化模型。
base_model.py 为模型实现了理论上的基类 (ABC) 。它还包括常用的辅助功能（比如： setup, test, update_learning_rate, save_networks,load_networks)，这些功能之后会在子类中用到。
template_model.py 提供带有详细文档的模型模板。如果想要实现自己的模型，可以检查此文件。
pix2pix_model.py 实现了 Pix2Pix 模型，用于学习成对图像的从输入到输出的映射。模型训练需要 --dataset_mode aligned 数据集。默认情况下，它使用 --netG unet256 网络，--netD basic 判别器（PatchGAN）和 --gan_model vanillagan 损失（标准交叉熵目标）。
colorization_model.py 实现了 Pix2PixModel 的子类，用于图像着色（黑白图像到彩色图像）。模型训练需要 -dataset_model colorization 数据集。它训练一个 Pix2Pix 模型，在 Lab color space 中从 L 通道映射到 ab 通道。默认情况下，colorization 数据集将自动设置 --input_nc 1 和 --output_nc 2。
cycle_gan_model.py 实现了 cycle gan 模型，用于学习未成对图像到图像转换。模型训练需要 --dataset_mode unaligned 数据集。默认情况下，它使用 --netG resnet_9blocks 生成器、--netD basic 判别器和最小二乘 Gans 目标（ --gan_model lsgan）。
networks.py 模块实现网络架构（生成器和鉴别器），以及规范化层、初始化方法、优化调度程序（即学习率策略）和 GAN 目标函数（vanilla、lsgan、wgangp）。
test_model.py 实现用于生成单边Cyclegan结果的模型。这个模型将自动设置--dataset_mode single，它只从一个集合中加载图像。(--model cycle_gan可进行双向测试)
options 目录包括选项模块：训练选项、测试选项和基本选项（用于训练和测试）。TrainOptions 和 TestOptions 是 BaseOptions 的两个子类。它们将重新调用在 BaseOptions 中定义的选项。
__init__.py 使 Python 将 options 目录视为包含包。
base_options.py 包括训练和测试中使用的选项。它还实现一些辅助功能，例如解析、打印和保存选项。它还收集在数据集类和模型类中的 modify_commandline_options 函数中定义的其他选项。
train_options.py 仅包括在训练期间使用的选项。
test_options.py 仅包括在测试期间使用的选项。
util 目录包括了各种有用的辅助函数的集合。
__init__.py 使 Python 将 util 目录视为包含包。
get_data.py 提供了一个 Python 脚本用于下载 CycleGAN 和 pix2pix 数据集。比如：download_pix2pix_model.sh 或 download_cyclegan_model.sh.
html.py 用于将图像保存到一个单独的 HTML 文件中。它包括一些函数比如：add_header(在HTML文件中添加文本头)，add_images (向HTML文件添加一行图像)，save (将HTML保存到磁盘)。它基于 Python 的库 dominate，这是一个用 DOM API 创建和操作 HTML 文档的python 库。
image_pool.py 是存储以前生成图像的图像缓冲区。这个缓冲区使我们能够使用之前生成的图像来更新鉴别器，而不是使用最新的生成器生成的图像。论文对这一最初的想法进行了讨论。缓冲区的大小由 --pool_size控制。
visualizer.py 可以显示/保存图像和打印/保存日志信息。它使用 Python 库 visdom 进行显示，使用 Python 库 dominate（包装在 HTML 中）创建带有图像的 HTML 文件。
util.py 包含辅助函数，如 tensor2im（将张量数组转换为 numpy 图像数组）、diagnose_network（计算并打印梯度平均绝对值的平均值）、mkdirs（创建多个目录）。
