Python 垃圾回收机制与原理解析

男娘i 2022-09-16 03:56 136阅读 0赞

点击上方“**机器学习与生成对抗网络**”，关注星标

获取有趣、好玩的前沿干货！

Python 作为一门解释型语言，以代码简洁易懂著称，我们可以直接对名称赋值，而不必声明类型，名称类型的确定、内存空间的分配与释放都是由 Python 解释器在运行时进行的

Python 这一自动管理内存功能极大的减小了程序员负担

对于 Python 这种高级别的语言，开发者完成可以不用关心其内部的垃圾回收机制，相辅相成的通过学习 Python 内部的垃圾回收机制，并了解其原理，可以使得开发者能够更好的写代码，更加 Pythonista

## 目录 ##

1.  Python 内存管理机制
2.  Python 的垃圾回收机制

2.1 引用计数(reference counting)

2.2 标记清除(Mark and Sweep)

2.3 分代回收(Generational garbage collector)

1.  Python 中的 gc 模块

## Python内存管理机制 ##

在 Python 中，内存管理涉及到一个包含所有 Python 对象和数据结构的私有堆（heap）。这个私有堆的管理由内部的 Python 内存管理器（Python memory manager） 保证。Python 内存管理器有不同的组件来处理各种动态存储管理方面的问题，如共享、分割、预分配或缓存。

在最底层，一个原始内存分配器通过与操作系统的内存管理器交互，确保私有堆中有足够的空间来存储所有与 Python 相关的数据。在原始内存分配器的基础上，几个对象特定的分配器在同一堆上运行，并根据每种对象类型的特点实现不同的内存管理策略。例如，整数对象在堆内的管理方式不同于字符串、元组或字典，因为整数需要不同的存储需求和速度与空间的权衡。因此，Python 内存管理器将一些工作分配给对象特定分配器，但确保后者在私有堆的范围内运行。

Python 堆内存的管理是由解释器来执行，用户对它没有控制权，即使他们经常操作指向堆内内存块的对象指针，理解这一点十分重要。

![e054d5383b1ba0f6d7c3d73ee645a8d6.png][]

Python为了避免对于小对象（<=512bytes）出现数量过多的GC，导致的性能消耗。Python对于小对象采用子分配 (内存池) 的方式进行内存块的管理。对于大对象使用标准C中的allocator来分配内存。

Python对于小对象的allocator由大到小分为三个层级：arena、pool、block。

### Block ###

Block是最小的一个层级，每个block仅仅可以容纳包含一个固定大小的Python Object。大小从8-512bytes，以8bytes为步长，分为64类不同的block。

<table> 
 <thead> 
  <tr> 
   <th>Request in bytes</th> 
   <th>Size of allocated block</th> 
   <th>size class idx</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>1-8</td> 
   <td>8</td> 
   <td>0</td> 
  </tr> 
  <tr> 
   <td>9-16</td> 
   <td>16</td> 
   <td>1</td> 
  </tr> 
  <tr> 
   <td>17-24</td> 
   <td>24</td> 
   <td>2</td> 
  </tr> 
  <tr> 
   <td>25-32</td> 
   <td>32</td> 
   <td>3</td> 
  </tr> 
  <tr> 
   <td>33-40</td> 
   <td>40</td> 
   <td>4</td> 
  </tr> 
  <tr> 
   <td>41-48</td> 
   <td>48</td> 
   <td>5</td> 
  </tr> 
  <tr> 
   <td>…</td> 
   <td>…</td> 
   <td>…</td> 
  </tr> 
  <tr> 
   <td>505-512</td> 
   <td>512</td> 
   <td>63</td> 
  </tr> 
 </tbody> 
</table>

### Pool ###

Pool具有相同大小的block组成集合称为Pool。通常情况下，Pool的大小为4kb，与虚拟内存页的大小保存一致。限制Pool中block有固定的大小，有如下好处是: 当一个对象在当前Pool中的某个block被销毁时，Pool内存管理可以将新生成的对象放入该block中。

/* Pool for small blocks. */
    struct pool_header {
        union { block *_padding;
                uint count; } ref;          /* number of allocated blocks    */
        block *freeblock;                   /* pool's free list head         */
        struct pool_header *nextpool;       /* next pool of this size class  */
        struct pool_header *prevpool;       /* previous pool       ""        */
        uint arenaindex;                    /* index into arenas of base adr */
        uint szidx;                         /* block size class index        */
        uint nextoffset;                    /* bytes to virgin block         */
        uint maxnextoffset;                 /* largest valid nextoffset      */
    };

具有相同大小的Pool通过双向链表来连接，sidx用来标识Block的类型。arenaindex标识当前Pool属于哪个Arena。ref.conut标识当前Pool使用了多少个Block。freeblock：标识当前Pools中可用block的指针。freeblock实际是单链表实现，当一块block为空状态时，则将该block插入到freeblock链表的头部。

每个Pool都有三个状态：

*  used：部分使用，即Pool不满，也不为空
 *  full：满，即所有Pool中的Block都已被分配
 *  empty：空, 即所有Pool中的Block都未被分配

usedpool为了很好的高效的管理Pool，Python额外使用了array，usedpool来管理。即如下图所示，usedpool按序存储着每个特性大小的Pool的头指针，相同大小的Pool按照双向链表来连接。当分配新的内存空间时，创建一个特定大小的Pool，只需要使用usedpools找到头指针，遍历即可，当没有内存空间时，只需要在Pool的双向链表的头部插入新的Pool即可。

![9eb1a08fed88cedaeaef88305c5fd408.png][]

### Arena ###

Pools和Blocks都不会直接去进行内存分配(allocate), Pools和Blocks会使用从arena那边已经分配好的内存空间。Arena：是分配在堆上256kb的块状内存，提供了64个Pool。

![414724e80f8cb897c0db9a3daefd6a4f.png][]

struct arena_object {
        uintptr_t address;
        block* pool_address;
        uint nfreepools;
        uint ntotalpools;
        struct pool_header* freepools;
        struct arena_object* nextarena;
        struct arena_object* prevarena;
    };

所有的arenas也使用双链表进行连接(prevarena, nextarena字段). nfreepools和ntotalpools存储着当前可用pools的信息。freepools指针指向当前可用的pools。arena结构简单，职责即为按需给pools分配内存，当一个arena为空时，则将该arena的内存归还给操作系统。

## Python的垃圾回收机制 ##

Python采用的是引用计数机制为主，标记-清除和分代收集两种机制为辅的策略。

### 引用计数(reference counting) ###

Python语言默认采用的垃圾收集机制是“引用计数法 Reference Counting”，该算法最早George E. Collins在1960的时候首次提出，50年后的今天，该算法依然被很多编程语言使用。

引用计数法的原理是：每个对象维护一个ob\_ref字段，用来记录该对象当前被引用的次数，每当新的引用指向该对象时，它的引用计数ob\_ref加1，每当该对象的引用失效时计数ob\_ref减1，一旦对象的引用计数为0，该对象立即被回收，对象占用的内存空间将被释放。

它的缺点是需要额外的空间维护引用计数，这个问题是其次的，不过最主要的问题是它不能解决对象的“循环引用”，因此，也有很多语言比如Java并没有采用该算法做来垃圾的收集机制。

Python中一切皆对象，也就是说，在Python中你用到的一切变量，本质上都是类对象。实际上每一个对象的核心就是一个结构体PyObject，它的内部有一个引用计数器ob\_refcnt，程序在运行的过程中会实时的更新ob\_refcnt的值，来反映引用当前对象的名称数量。当某对象的引用计数值为0,说明这个对象变成了垃圾，那么它会被回收掉，它所用的内存也会被立即释放掉。

typedef struct _object {
        int ob_refcnt;//引用计数
        struct _typeobject *ob_type;
    } PyObject;

导致引用计数+1的情况：

*  对象被创建，例如a=23
 *  对象被引用，例如b=a
 *  对象被作为参数，传入到一个函数中，例如func(a)
 *  对象作为一个元素，存储在容器中，例如list1=\[a,a\]

导致引用计数-1的情况

*  对象的别名被显式销毁，例如del a
 *  对象的别名被赋予新的对象，例如a=24
 *  一个对象离开它的作用域，例如f函数执行完毕时，func函数中的局部变量（全局变量不会）
 *  对象所在的容器被销毁，或从容器中删除对象

我们可以通过sys包中的getrefcount()来获取一个名称所引用的对象当前的引用计。sys.getrefcount()本身会使得引用计数加一.

**循环引用**

引用计数的另一个现象就是循环引用，相当于有两个对象a和b，其中a引用了b，b引用了a，这样a和b的引用计数都为1，并且永远都不会为0，这就意味着这两个对象永远都不会被回收了，这就是循环引用 , a与b形成了一个引用循环 , 示例如下 :

a = [1, 2]  # 计数为 1
    b = [2, 3]  # 计数为 1
    a.append(b)  # 计数为 2
    b.append(a)  # 计数为 2
    del a  # 计数为 1
    del b  # 计数为 1

除了上述两个对象互相引用之外 , 还可以引用自身 ：

list3 = [1,2,3]
    list3.append(list3)

循环引用导致变量计数永不为 0，造成引用计数无法将其删除。

引用计数法有其明显的优点，如高效、实现逻辑简单、具备实时性，一旦一个对象的引用计数归零，内存就直接释放了。不用像其他机制等到特定时机。将垃圾回收随机分配到运行的阶段，处理回收内存的时间分摊到了平时，正常程序的运行比较平稳。引用计数也存在着一些缺点：

*  逻辑简单，但实现有些麻烦。每个对象需要分配单独的空间来统计引用计数，这无形中加大的空间的负担，并且需要对引用计数进行维护，在维护的时候很容易会出错。
 *  在一些场景下，可能会比较慢。正常来说垃圾回收会比较平稳运行，但是当需要释放一个大的对象时，比如字典，需要对引用的所有对象循环嵌套调用，从而可能会花费比较长的时间。
 *  循环引用。这将是引用计数的致命伤，引用计数对此是无解的，因此必须要使用其它的垃圾回收算法对其进行补充。

也就是说，Python 的垃圾回收机制，很大一部分是为了处理可能产生的循环引用，是对引用计数的补充。

### 标记清除(Mark and Sweep) ###

Python采用了“标记-清除”(Mark and Sweep)算法，解决容器对象可能产生的循环引用问题。(注意，只有容器对象才会产生循环引用的情况，比如列表、字典、用户自定义类的对象、元组等。而像数字，字符串这类简单类型不会出现循环引用。作为一种优化策略，对于只包含简单类型的元组也不在标记清除算法的考虑之列)

跟其名称一样，该算法在进行垃圾回收时分成了两步，分别是：

*  标记阶段，遍历所有的对象，如果是可达的（reachable），也就是还有对象引用它，那么就标记该对象为可达；
 *  清除阶段，再次遍历对象，如果发现某个对象没有标记为可达，则就将其回收。

对象之间会通过引用（指针）连在一起，构成一个有向图，对象构成这个有向图的节点，而引用关系构成这个有向图的边。从root object出发，沿着有向边遍历对象，可达的（reachable）对象标记为活动对象，不可达（unreachable）的对象就是要被清除的非活动对象。所谓 root object，就是一些全局变量、调用栈、寄存器，这些对象是不可被删除的。

![580783b2d939d9e357f2e7f8fdba15ec.png][]

我们把小黑圈视为 root object，从小黑圈出发，对象 1 可达，那么它将被标记，对象 2、3可间接可达也会被标记，而 4 和 5 不可达，那么 1、2、3 就是活动对象，4 和 5 是非活动对象会被 GC 回收。

如下图所示，在标记清除算法中，为了追踪容器对象，需要每个容器对象维护两个额外的指针，用来将容器对象组成一个双端链表，指针分别指向前后两个容器对象，方便插入和删除操作。Python解释器(Cpython)维护了两个这样的双端链表，一个链表存放着需要被扫描的容器对象，另一个链表存放着临时不可达对象。

在图中，这两个链表分别被命名为“Object to Scan”和“Unreachable”。图中例子是这么一个情况：link1,link2,link3组成了一个引用环，同时link1还被一个变量A(其实这里称为名称A更好)引用。link4自引用，也构成了一个引用环。

从图中我们还可以看到，每一个节点除了有一个记录当前引用计数的变量ref\_count还有一个gc\_ref变量，这个gc\_ref是ref\_count的一个副本，所以初始值为ref\_count的大小。

![24932d5ebd73d9c4c2ff673ab668e14a.png][]

gc启动的时候，会逐个遍历“Object to Scan”链表中的容器对象，并且将当前对象所引用的所有对象的gc\_ref减一。(扫描到link1的时候，由于link1引用了link2,所以会将link2的gc\_ref减一，接着扫描link2,由于link2引用了link3,所以会将link3的gc\_ref减一…..)像这样将“Objects to Scan”链表中的所有对象考察一遍之后，两个链表中的对象的ref\_count和gc\_ref的情况如下图所示。这一步操作就相当于解除了循环引用对引用计数的影响。

![1a9b9eff8f7f9cb366732545d9d73462.png][]

接着，gc会再次扫描所有的容器对象，如果对象的gc\_ref值为0，那么这个对象就被标记为GC\_TENTATIVELY\_UNREACHABLE，并且被移至“Unreachable”链表中。下图中的link3和link4就是这样一种情况。

![9dbe23a9bf3207981470bcd5ddcca144.png][]

如果对象的gc\_ref不为0，那么这个对象就会被标记为GC\_REACHABLE。同时当gc发现有一个节点是可达的，那么他会递归式的将从该节点出发可以到达的所有节点标记为GC\_REACHABLE,这就是下图中link2和link3所碰到的情形。

![fd689b4d3b48b959dc69476dd6a59300.png][]

除了将所有可达节点标记为GC\_REACHABLE之外，如果该节点当前在“Unreachable”链表中的话，还需要将其移回到“Object to Scan”链表中，下图就是link3移回之后的情形。

![44cb365c2bc360e8ccc0d0b9ac5293a1.png][]

第二次遍历的所有对象都遍历完成之后，存在于“Unreachable”链表中的对象就是真正需要被释放的对象。如上图所示，此时link4存在于Unreachable链表中，gc随即释放之。

上面描述的垃圾回收的阶段，会暂停整个应用程序，等待标记清除结束后才会恢复应用程序的运行。

标记清除的优点在于可以解决循环引用的问题，并且在整个算法执行的过程中没有额外的开销。缺点在于当执行标记清除时正常的程序将会被阻塞。另外一个缺点在于，标记清除算法在执行很多次数后，程序的堆空间会产生一些小的内存碎片。

### 分代回收(Generational garbage collector) ###

分代回收技术是上个世纪80年代初发展起来的一种垃圾回收机制，也是Java 垃圾回收的核心算法。分代回收是基于这样的一个统计事实，对于程序，存在一定比例的内存块的生存周期比较短；而剩下的内存块，生存周期会比较长，甚至会从程序开始一直持续到程序结束。

生存期较短对象的比例通常在 80%～90% 之间。因此，简单地认为：对象存在时间越长，越可能不是垃圾，应该越少去收集。这样在执行标记-清除算法时可以有效减小遍历的对象数，从而提高垃圾回收的速度，是一种以空间换时间的方法策略。

*  Python 将所有的对象分为 0，1，2 三代；
 *  所有的新建对象都是 0 代对象；
 *  当某一代对象经历过垃圾回收，依然存活，就被归入下一代对象。

那么，按什么标准划分对象呢?是否随机将一个对象划分到某个代即可呢?答案是否定的。实际上，对象分代里头也是有不少学问的，好的划分标准可显著提升垃圾回收的效率。

![486b26c58774d91baa3454b0a3807df0.png][]

Python 内部根据对象存活时间，将对象分为 3 代，每个代都由一个 gc\_generation 结构体来维护（定义于 Include/internal/mem.h）：

struct gc_generation { 
        PyGC_Head head; 
        int threshold; /* collection threshold */ 
        int count; /* count of allocations or collections of younger generations */ 
    };

其中：

*  head，可收集对象链表头部，代中的对象通过该链表维护
 *  threshold，仅当 count 超过本阀值时，Python 垃圾回收操作才会扫描本代对象
 *  count，计数器，不同代统计项目不一样

Python 虚拟机运行时状态由 Include/internal/pystate.h 中的 pyruntimestate 结构体表示，它内部有一个 \_gc\_runtime\_state ( Include/internal/mem.h )结构体，保存 GC 状态信息，包括 3 个对象代。这 3 个代，在 GC 模块( Modules/gcmodule.c ) \_PyGC\_Initialize 函数中初始化：

struct gc_generation generations[NUM_GENERATIONS] = {
        /* PyGC_Head, threshold, count */
        {
        {
        {_GEN_HEAD(0), _GEN_HEAD(0), 0}}, 700 0},
        {
        {
        {_GEN_HEAD(1), _GEN_HEAD(1), 0}}, 10, 0},
        {
        {
        {_GEN_HEAD(2), _GEN_HEAD(2), 0}}, 10, 0},
    };

为方便讨论，我们将这 3 个代分别称为：初生代、中生代 以及 老生代。当这 3 个代初始化完毕后，对应的 gc\_generation 数组大概是这样的：

![0d33fdd5b3d33089d9c13ebf4aec91e3.png][]

每个 gc\_generation 结构体链表头节点都指向自己，换句话说每个可收集对象链表一开始都是空的，计数器字段 count 都被初始化为 0，而阀值字段 threshold 则有各自的策略。这些策略如何理解呢?

*  Python 调用 \_PyObject\_GC\_Alloc 为需要跟踪的对象分配内存时，该函数将初生代 count 计数器加1，随后对象将接入初生代对象链表，当 Python 调用 PyObject\_GC\_Del 释放垃圾对象内存时，该函数将初生代 count 计数器,1，\_PyObject\_GC\_Alloc 自增 count 后如果超过阀值(700)，将调用 collect\_generations 执行一次垃圾回收( GC )。
 *  collect\_generations 函数从老生代开始，逐个遍历每个生代，找出需要执行回收操作(,count>threshold )的最老生代。随后调用 collect\_with\_callback 函数开始回收该生代，而该函数最终调用 collect 函数。
 *  collect 函数处理某个生代时，先将比它年轻的生代计数器 count 重置为 0，然后将它们的对象链表移除，与自己的拼接在一起后执行 GC 算法，最后将下一个生代计数器加1。

于是：

*  系统每新增 701 个需要 GC 的对象，Python 就执行一次 GC 操作
 *  每次 GC 操作需要处理的生代可能是不同的，由 count 和 threshold 共同决定
 *  某个生代需要执行 GC ( count>hreshold )，在它前面的所有年轻生代也同时执行 GC
 *  对多个代执行 GC，Python 将它们的对象链表拼接在一起，一次性处理
 *  GC 执行完毕后，count 清零，而后一个生代 count 加 1

下面是一个简单的例子：初生代触发 GC 操作，Python 执行 collect\_generations 函数。它找出了达到阀值的最老生代是中生代，因此调用 collection\_with\_callback(1)，1 是中生代在数组中的下标。

![2100ba09c0f20030476d3e75a90eee4d.png][]

collection\_with\_callback(1) 最终执调用 collect(1) ，它先将后一个生代计数器加一;然后将本生代以及前面所有年轻生代计数器重置为零;最后调用 gc\_list\_merge 将这几个可回收对象链表合并在一起：

![37ae9c036a497d7e60d1b0cc17f1c997.png][]

最后，collect 函数执行标记清除算法，对合并后的链表进行垃圾回收。

![b230f41f7a2d11237f80ec8a43c8c237.png][]

这就是分代回收机制的全部秘密，它看似复杂，但只需略加总结就可以得到几条直白的策略：

*  每新增 701 个需要 GC 的对象，触发一次新生代 GC
 *  每执行 11 次新生代 GC ，触发一次中生代 GC
 *  每执行 11 次中生代 GC ，触发一次老生代 GC (老生代 GC 还受其他策略影响，频率更低)
 *  执行某个生代 GC 前，年轻生代对象链表也移入该代，一起 GC
 *  一个对象创建后，随着时间推移将被逐步移入老生代，回收频率逐渐降低

## Python 中的 gc 模块 ##

gc 模块是我们在Python中进行内存管理的接口，一般情况Python程序员都不用关心自己程序的内存管理问题，但是有的时候，比如发现自己程序存在内存泄露，就可能需要用到gc模块的接口来排查问题。

有的 Python 系统会关闭自动垃圾回收，程序自己判断回收的时机，据说 instagram 的系统就是这样做的，整体运行效率提高了10%。

常用函数：

*  set\_debug(flags) ：设置gc的debug日志，一般设置为gc.DEBUG\_LEAK可以看到内存泄漏的对象。
 *  collect(\[generation\]) ：执行垃圾回收。会将那些有循环引用的对象给回收了。这个函数可以传递参数，0代表只回收第0代的的垃圾对象、1代表回收第0代和第1代的对象，2代表回收第0、1、2代的对象。如果不传参数，那么会使用2作为默认参数。
 *  get\_threshold() ：获取gc模块执行垃圾回收的阈值。返回的是个元组，第0个是零代的阈值，第1个是1代的阈值，第2个是2代的阈值。
 *  set\_threshold(threshold0\[, threshold1\[, threshold2\]) ：设置执行垃圾回收的阈值。
 *  get\_count() ：获取当前自动执行垃圾回收的计数器。返回一个元组。第0个是零代的垃圾对象的数量，第1个是零代链表遍历的次数，第2个是1代链表遍历的次数。

## 参考链接： ##

*  聊聊Python内存管理 (https://andrewpqc.github.io/2018/10/08/python-memory-management/)
 *  gc — 垃圾回收器接口 (https://docs.python.org/zh-cn/3/library/gc.html)

**猜您喜欢：**

[**等你着陆！【GAN生成对抗网络】知识星球！**][GAN]

[**CVPR 2021专题1：GAN的改进**][CVPR 2021_1_GAN]

**[CVPR 2021 | GAN的说话人驱动、3D人脸论文汇总][CVPR 2021 _ GAN_3D]**

**[CVPR 2021 | 图像转换 今如何？几篇GAN论文][CVPR 2021 _ _ _GAN]**

[**【CVPR 2021】通过GAN提升人脸识别的遗留难题**][CVPR 2021_GAN]

[**CVPR 2021生成对抗网络GAN部分论文汇总**][CVPR 2021_GAN 1]

[**经典GAN不得不读：StyleGAN**][GAN_StyleGAN]

[**最新最全20篇！基于 StyleGAN 改进或应用相关论文**][20_ StyleGAN]

**[超100篇！CVPR 2020最全GAN论文梳理汇总！][100_CVPR 2020_GAN]**

[**附下载 | 《Python进阶》中文版**][_ _Python]

[**附下载 | 经典《Think Python》中文版**][_ _Think Python]

[**附下载 | 《Pytorch模型训练实用教程》**][_ _Pytorch]

[**附下载 | 最新2020李沐《动手学深度学习》**][_ _2020]

**[附下载 | 《可解释的机器学习》中文版][Link 1]**

[**附下载 |《TensorFlow 2.0 深度学习算法实战》**][_TensorFlow 2.0]

**[附下载 | 超100篇！CVPR 2020最全GAN论文梳理汇总！][_ _100_CVPR 2020_GAN]**

**[附下载 |《计算机视觉中的数学方法》分享][Link 2]**

![e2f8784b4ffd15e48260166c1a382e87.png][]

[e054d5383b1ba0f6d7c3d73ee645a8d6.png]: /images/20220828/3c721a7dbda14371b98036cf83c4b36a.png
[9eb1a08fed88cedaeaef88305c5fd408.png]: /images/20220828/566e0b1109364233ac3014b1d64f0f0d.png
[414724e80f8cb897c0db9a3daefd6a4f.png]: /images/20220828/3b45fef5b37a4a8295c8d978dc467f49.png
[580783b2d939d9e357f2e7f8fdba15ec.png]: /images/20220828/0a8ffcda5bcf4627a3853d7025e4779c.png
[24932d5ebd73d9c4c2ff673ab668e14a.png]: /images/20220828/22ad31b72660483daf6f2a32da77b2a2.png
[1a9b9eff8f7f9cb366732545d9d73462.png]: /images/20220828/852ffe3246aa4f0fb5f1a2dad7b91fc4.png
[9dbe23a9bf3207981470bcd5ddcca144.png]: /images/20220828/4b9300133d3e4026babac69f15ad77e6.png
[fd689b4d3b48b959dc69476dd6a59300.png]: /images/20220828/0822b195de96476485a3d82b9da27cab.png
[44cb365c2bc360e8ccc0d0b9ac5293a1.png]: /images/20220828/eadbd13c68684326a94d9fee07763dd6.png
[486b26c58774d91baa3454b0a3807df0.png]: /images/20220828/c4bfc6d22a6c4f86acc670050f2170e1.png
[0d33fdd5b3d33089d9c13ebf4aec91e3.png]: /images/20220828/2341800d67974736819cf8785e8c4b6b.png
[2100ba09c0f20030476d3e75a90eee4d.png]: /images/20220828/b8f3782bac1a41e981535b06416bc4eb.png
[37ae9c036a497d7e60d1b0cc17f1c997.png]: /images/20220828/f29b953170814f1c9c26ba726970ada5.png
[b230f41f7a2d11237f80ec8a43c8c237.png]: /images/20220828/fb2e33b9f3214f30af38d735e699c868.png
[GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247493528&idx=1&sn=a6ad486ec02f36c97bc9a7c86f986765&chksm=fe2a4523c95dcc3526ebf62751f7a8f319082ed358f3a8c37e98188206f7d71daf2885028bf9&scene=21#wechat_redirect
[CVPR 2021_1_GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247493902&idx=1&sn=14c01f114bd69bd6a94adf79296009c8&chksm=fe2a4bb5c95dc2a3c7ea2f02e430cd72ee4a200552cc74e323c0a3b6eac891c923e9b10d14ba&scene=21#wechat_redirect
[CVPR 2021 _ GAN_3D]: https://blog.csdn.net/moxibingdao/article/details/116773486
[CVPR 2021 _ _ _GAN]: https://blog.csdn.net/moxibingdao/article/details/115410691
[CVPR 2021_GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247491634&idx=1&sn=427cb6bfd6868662f2b5ae1ac37f6072&chksm=fe2a4289c95dcb9f047c18e63b3be9d78e5e75f1d94dc80be34686ce6b4f22cdee2d7cc7f2ae&scene=21#wechat_redirect
[CVPR 2021_GAN 1]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247490911&idx=1&sn=671926492c3b36e3350db4963f7fcb16&chksm=fe29bfe4c95e36f275332b31b993532b98d52acc76d26c15e2321de4cf52141510bee3ff96af&scene=21#wechat_redirect
[GAN_StyleGAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247490656&idx=2&sn=bbe156fef077f23263b57e506ad43314&chksm=fe29bedbc95e37cd709f583372918478ad8d3cff5309a85f3a940e7c0356050278f89d7e1c79&scene=21#wechat_redirect
[20_ StyleGAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247490498&idx=1&sn=324cfbbde362a728aa5336f4b200f7a3&chksm=fe29b979c95e306f03b134809b16009d06aa0694b03da3368f84625de3700e6a56221d49d1bf&scene=21#wechat_redirect
[100_CVPR 2020_GAN]: https://blog.csdn.net/lgzlgz3102/article/details/107075585
[_ _Python]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485709&idx=2&sn=55a51c98ab48f393ba305c082ba0e4fe&chksm=fe29abb6c95e22a04d1eb019f964c8ae97b2f3af98c22f730f5d5ed2aea9fdb320b00c688967&scene=21#wechat_redirect
[_ _Think Python]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485091&idx=2&sn=f569d5d70c2e6c9cc567fbc5147787a4&chksm=fe29a418c95e2d0e9a3de46e0e4d1b8d4947154d8639418a511a3091300aa31699932046556e&scene=21#wechat_redirect
[_ _Pytorch]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485635&idx=2&sn=90608bce32fe353cf3c64b39e3406bc3&chksm=fe29aa78c95e236e380c9fd2ae79917d7451ccdd4803c5e6047a16f921d1b61d18efc79ada7c&scene=21#wechat_redirect
[_ _2020]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247484959&idx=2&sn=563999cc8d48498beed00270844ceec4&chksm=fe29a4a4c95e2db2aab16bdcefa78795bbb7efbc70b533bb197d73f617558f2f8a523120c6e3&scene=21#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247484929&idx=1&sn=523220858287ed3e6105919703c8e833&chksm=fe29a4bac95e2dac758c4aac10a3aac49eb062bc0829d4ef2ebc8e6d5069d246385c5084a2b4&scene=21#wechat_redirect
[_TensorFlow 2.0]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485195&idx=2&sn=e3387067db29d1759755c6c2ea96c870&chksm=fe29a5b0c95e2ca6599d4a91d5d40900566b7525de3dd85259e7a6c173aa26aa7ea3641d1aaf&scene=21#wechat_redirect
[_ _100_CVPR 2020_GAN]: https://blog.csdn.net/lgzlgz3102/article/details/114860515
[Link 2]: https://blog.csdn.net/Yong_Qi2015/article/details/111714078
[e2f8784b4ffd15e48260166c1a382e87.png]: /images/20220828/aebf17616f44439eb78dd22944bf3a98.png