飞桨除了基本的模型训练和预测，还提供了支持多端多平台的高性能推理部署工具。本文档提供了PaddleGAN中所有模型的飞桨训推一体认证 (Training and Inference Pipeline Certification(TIPC)) 信息和测试工具，方便用户查阅每种模型的训练推理部署打通情况，并可以进行一键测试。
打通情况汇总如下，已填写的部分表示可以使用本工具进行一键测试，未填写的表示正在支持中。
字段说明：
- 基础训练预测：包括模型训练、Paddle Inference Python预测。
- 更多训练方式：包括多机多卡、混合精度。
- 模型压缩：包括裁剪、离线/在线量化、蒸馏。
- 其他预测部署：包括Paddle Inference C++预测、Paddle Serving部署、Paddle-Lite部署等。
更详细的mkldnn、Tensorrt等预测加速相关功能的支持情况可以查看各测试工具的更多教程。
| 算法论文 | 模型名称 | 模型类型 | 基础 训练预测 |
更多 训练方式 |
模型压缩 | 其他预测部署 |
|---|---|---|---|---|---|---|
| Pix2Pix | Pix2Pix | 生成 | 支持 | 多机多卡 | ||
| CycleGAN | CycleGAN | 生成 | 支持 | 多机多卡 | ||
| StyleGAN2 | StyleGAN2 | 生成 | 支持 | 多机多卡 | ||
| FOMM | FOMM | 生成 | 支持 | 多机多卡 | ||
| BasicVSR | BasicVSR | 超分 | 支持 | 多机多卡 | ||
| PP-MSVSR | PP-MSVSR | 超分 | ||||
| SinGAN | SinGAN | 生成 | 支持 |
test_tipc/
├── configs/ # 配置文件目录
├── basicvsr_reds.yaml # 测试basicvsr模型训练的yaml文件
├── cyclegan_horse2zebra.yaml # 测试cyclegan模型训练的yaml文件
├── firstorder_vox_256.yaml # 测试fomm模型训练的yaml文件
├── pix2pix_facedes.yaml # 测试pix2pix模型训练的yaml文件
├── stylegan_v2_256_ffhq.yaml # 测试stylegan模型训练的yaml文件
├── ...
├── results/ # 预先保存的预测结果，用于和实际预测结果进行精读比对
├── python_basicvsr_results_fp32.txt # 预存的basicvsr模型python预测fp32精度的结果
├── python_cyclegan_results_fp32.txt # 预存的cyclegan模型python预测fp32精度的结果
├── python_pix2pix_results_fp32.txt # 预存的pix2pix模型python预测的fp32精度的结果
├── python_stylegan2_results_fp32.txt # 预存的stylegan2模型python预测的fp32精度的结果
├── ...
├── prepare.sh # 完成test_*.sh运行所需要的数据和模型下载
├── test_train_inference_python.sh # 测试python训练预测的主程序
├── compare_results.py # 用于对比log中的预测结果与results中的预存结果精度误差是否在限定范围内
└── readme.md # 使用文档使用本工具，可以测试不同功能的支持情况，以及预测结果是否对齐，测试流程如下：
- 运行prepare.sh准备测试所需数据和模型；
- 运行要测试的功能对应的测试脚本
test_*.sh，产出log，由log可以看到不同配置是否运行成功； - 用
compare_results.py对比log中的预测结果和预存在results目录下的结果，判断预测精度是否符合预期（在误差范围内）。
其中，有4个测试主程序，功能如下：
test_train_inference_python.sh：测试基于Python的模型训练、评估、推理等基本功能。
各功能测试中涉及混合精度、裁剪、量化等训练相关，及mkldnn、Tensorrt等多种预测相关参数配置，请点击下方相应链接了解更多细节和使用教程：
- test_train_inference_python 使用 测试基于Python的模型训练、推理等基本功能。
- test_inference_cpp 使用 测试基于C++的模型推理功能。