-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathtrain.sh
110 lines (95 loc) · 5.59 KB
/
train.sh
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
#!/bin/bash
export TORCH_CUDNN_V8_API_ENABLED=1
# CHANGE nproc_per_node to your desired number of GPUs
# GDD
# CIFAR-10 uncond
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=0 --backbone=1 --ema=0.5 --dropout=0 --batch=256 --dlr=1e-4 --lr=1e-4 --cond=0 --arch=ncsnpp --duration=5 \
--outdir=training-runs-uncond-cifar10-gdd --transfer=pretrained/edm-cifar10-32x32-uncond-ve.pkl \
--data=datasets/cifar10-32x32.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--augment=0 --ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# CIFAR-10 cond
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=0 --backbone=1 --ema=0.5 --dropout=0 --batch=256 --dlr=1e-4 --lr=1e-4 --cond=1 --arch=ncsnpp --duration=5 \
--outdir=training-runs-cond-cifar10-gdd --transfer=pretrained/edm-cifar10-32x32-cond-ve.pkl \
--data=datasets/cifar10-32x32.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--augment=0 --ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# AFHQv2
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=0 --backbone=0 --ema=0.5 --dropout=0 --batch=256 --dlr=4e-5 --lr=2e-5 --cond=0 --arch=ncsnpp --duration=10 --cres=1,2,2,2 \
--outdir=training-runs-uncond-afhqv2-gdd --transfer=pretrained/edm-afhqv2-64x64-uncond-ve.pkl \
--data=datasets/afhqv2-64x64.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--augment=0 --ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# FFHQ
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=0 --backbone=0 --ema=0.5 --dropout=0 --batch=256 --dlr=4e-5 --lr=2e-5 --cond=0 --arch=ncsnpp --duration=10 --cres=1,2,2,2 \
--outdir=training-runs-uncond-ffhq-gdd --transfer=pretrained/edm-ffhq-64x64-uncond-ve.pkl \
--data=datasets/ffhq-64x64.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--augment=0 --ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# ImageNet
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=0 --backbone=0 --ema=50 --dropout=0 --batch=512 --dlr=4e-5 --lr=8e-6 --cond=1 --arch=adm --duration=10 \
--outdir=training-runs-cond-imagenet-gdd --transfer=pretrained/edm-imagenet-64x64-cond-adm.pkl \
--data=datasets/imagenet-64x64.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--augment=0 --ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# GDD-I
# CIFAR-10 uncond
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=1 --backbone=1 --ema=0.5 --dropout=0 --batch=256 --dlr=1e-4 --lr=1e-4 --cond=0 --arch=ncsnpp --duration=5 \
--outdir=training-runs-uncond-cifar10-gdd-i --transfer=pretrained/edm-cifar10-32x32-uncond-ve.pkl \
--data=datasets/cifar10-32x32.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# CIFAR-10 cond
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=1 --backbone=1 --ema=0.5 --dropout=0 --batch=256 --dlr=1e-4 --lr=1e-4 --cond=1 --arch=ncsnpp --duration=5 \
--outdir=training-runs-cond-cifar10-gdd-i --transfer=pretrained/edm-cifar10-32x32-cond-ve.pkl \
--data=datasets/cifar10-32x32.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# AFHQv2
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=1 --backbone=0 --ema=0.5 --dropout=0 --batch=256 --dlr=4e-5 --lr=2e-5 --cond=0 --arch=ncsnpp --duration=10 --cres=1,2,2,2 \
--outdir=training-runs-uncond-afhqv2-gdd-i --transfer=pretrained/edm-afhqv2-64x64-uncond-ve.pkl \
--data=datasets/afhqv2-64x64.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# FFHQ
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=1 --backbone=0 --ema=0.5 --dropout=0 --batch=256 --dlr=4e-5 --lr=2e-5 --cond=0 --arch=ncsnpp --duration=10 --cres=1,2,2,2 \
--outdir=training-runs-uncond-ffhq-gdd-i --transfer=pretrained/edm-ffhq-64x64-uncond-ve.pkl \
--data=datasets/ffhq-64x64.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd
# ImageNet
torchrun --standalone --nproc_per_node=4 train.py --workers=4 \
--freeze=1 --backbone=0 --ema=50 --dropout=0 --batch=512 --dlr=4e-5 --lr=8e-6 --cond=1 --arch=adm --duration=10 \
--outdir=training-runs-cond-imagenet-gdd-i --transfer=pretrained/edm-imagenet-64x64-cond-adm.pkl \
--data=datasets/imagenet-64x64.zip \
--fp16=True --loss-type='ns' --r1-gamma=1e-4 \
--diffaug=False --r1-type='r1' \
--ada-target=0 --use-gp=True --d-type='xl' --seed=42 \
--precond=gdd --loss=gdd