承接上文CycleGAN
构建缓存区域存储fake数据
输入A数据，经过G AB网络，生成假的B'，将这个假的B'保存到缓存区域，等后面使用的时候（将假的B'输入G BA网络进行还原），再从缓存区域拿出来。
定义损失函数
不同的项目选择不同的损失函数，
损失函数就是计算一下，输入数据和经过GAB合成、GBA还原之后输出数据的相似性
定义优化器
接下来就是训练的过程了
从datasets中一个batch一个batch的取数据，需要把所有数据全部都读进来，如果显存比较低的情况下，执行这一步就error memory了。
计算当前迭代了多少次
指定数据集
把实际的数据指定好，
这一步是真正做损失计算的过程了，
forword 前向传播
前向传播就是把数据输入到生成网络中，生成一个虚假的结果，再把虚假的结果进行还原的过程。
- 第一个是将实际的A传入GAB网络得到假的B
- 第二个是将假的B传入GBA网络得到还原的A（真实A和还原A做loss计算相似性）
- 第三个是将真实的B传入GBA网络得到假的A
- 第四个是将假的A传入GAB网络得到还原的B（真实B和还原B做loss计算相似性）
当训练生成器的时候，需要做一个限制：只训练生成器，判决器不工作，把DA和DB的梯度设置为false即现在不需要判决器更新了，只更新生成器的结果。
接下来是计算反向传播
加了一些权重参数，主要是让数值展示起来更直接，把数值进行放大，相当于把实际的损失值放大了10倍。
将真实的B传入GAB网络生成假的A，计算真实B和假的A之间的损失值，两者的差异越小越好。希望GAB一方面能生成假的B，另一方面也能识别出真实的B。
把生成器生成的假的B传入判决器让它去瞒过判决器
判决器得到N x N的矩阵，那得到的标签也是N x N的
预测结果和真实标签计算损失值
计算真实值和还原值之间的差异
逐个去算它们之间的差异有多大，然后进行累加的到一个损失值
这是把判决器的梯度值设置为true，计算判决器的损失，
对于判决器来说把真实值预测成真实的，
把生成数据预测成假的
计算真实损失值和假的损失值的平均值
安装visdom
修改server.py
安装visdom需要从外网下载资源包，这里注释掉下载的过程
随着迭代的进行，不断的画图
