FID指标复现踩坑避坑 文本生成图像FID定量实验全流程复现（Fréchet Inception Distance ）定量评价实验踩坑避坑流程

FID全称为：Fréchet Inception Distance。

FID分数用于根据预训练网络提取的特征，测量真实图像分布和生成图像分布之间的距离。真实图像在空间中是服从一个分布的（假设为正态分布），而GAN生成的特征也是一个分布，GAN做的事情就是不断训练使这两个分布尽可能的相同。FID就是计算这两个分布直接的距离，使用的距离算法叫做Frechet distance。

FID计算两个分布之间的距离，距离越小代表生成的分布越贴近于真实分布，故FID越小越好。

github下载：https://github.com/MinfengZhu/DM-GAN/tree/master/eval/FID

将其放入code目录中

谷歌云盘链接：https://drive.google.com/file/d/1747il5vnY2zNkmQ1x_8hySx537ZAJEtj CSDN链接：FID训练好的模型 针对CUB-birds的FID预训练模型

CSDN链接：FID训练好的模型 针对COCO的FID预训练模型

下载后是一个npz文件，将其放入指定文件夹位置

打开终端，输入命令为：python fid_score.py --gpu 0 --batch-size 24 --path1 eval/FID/bird_val.npz --path2 ../test/valid/single 其中后面的两个参数path1代表你放FID预训练的模型所在位置，path2代表你放生成的图片的位置。

运行后显示：

1、计算FID一般需要30000张生成图像，如果只有3000张是测不准的； 2、计算FID的标准方法目前还不统一，用不用imagenet 预训练的参数测出来的FID也不一样，本篇仅仅是一种做法，目前看来可能还不够严谨，仅供参考。

💖 个人简介：人工智能领域研究生，目前主攻文本生成图像（text to image）方向

📝 个人主页：中杯可乐多加冰

🔥 限时免费订阅：文本生成图像T2I专栏

🎉 支持我：点赞👍+收藏⭐️+留言📝

另外，我们已经建立了微信T2I学习交流群，如果你也是T2I方面的爱好者或研究者可以私信我加入。

如果这篇文章帮助到你很多，希望能不吝打赏我一杯可乐！多加冰哦！