专业网站优化公司排名,特色美食网站建设,服务器和域名大概需要多少钱,网站开发的进度控制计划表文章目录 一、前言二、前期工作1. 设置GPU#xff08;如果使用的是CPU可以忽略这步#xff09; 二、什么是生成对抗网络1. 简单介绍2. 应用领域 三、网络结构四、构建生成器五、构建鉴别器六、训练模型1. 保存样例图片2. 训练模型 七、生成动图 一、前言
我的环境#xff1… 文章目录 一、前言二、前期工作1. 设置GPU如果使用的是CPU可以忽略这步 二、什么是生成对抗网络1. 简单介绍2. 应用领域 三、网络结构四、构建生成器五、构建鉴别器六、训练模型1. 保存样例图片2. 训练模型 七、生成动图 一、前言
我的环境
语言环境Python3.6.5编译器jupyter notebook深度学习环境TensorFlow2.4.1
往期精彩内容
卷积神经网络CNN实现mnist手写数字识别 卷积神经网络CNN多种图片分类的实现卷积神经网络CNN衣服图像分类的实现卷积神经网络CNN鲜花识别卷积神经网络CNN天气识别 卷积神经网络VGG-16识别海贼王草帽一伙卷积神经网络ResNet-50鸟类识别 卷积神经网络AlexNet鸟类识别卷积神经网络(CNN)识别验证码卷积神经网络Inception-ResNet-v2交通标志识别
来自专栏机器学习与深度学习算法推荐
二、前期工作
1. 设置GPU如果使用的是CPU可以忽略这步
import tensorflow as tfgpus tf.config.list_physical_devices(GPU)if gpus:tf.config.experimental.set_memory_growth(gpus[0], True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpus[0]],GPU)# 打印显卡信息确认GPU可用
print(gpus)from tensorflow.keras import layers, datasets, Sequential, Model, optimizers
from tensorflow.keras.layers import LeakyReLU, UpSampling2D, Conv2Dimport matplotlib.pyplot as plt
import numpy as np
import sys,os,pathlibimg_shape (28, 28, 1)
latent_dim 200二、什么是生成对抗网络
1. 简单介绍
生成对抗网络GAN 包含生成器和判别器两个模型通过对抗训练不断学习、进化。
生成器(Generator)生成数据大部分情况下是图像目的是“骗过”判别器。鉴别器(Discriminator)判断这张图像是真实的还是机器生成的目的是找出生成器生成的“假数据”。
2. 应用领域
GAN 的应用十分广泛它的应用包括图像合成、风格迁移、照片修复以及照片编辑数据增强等等。
1风格迁移
图像风格迁移是将图像A的风格转换到图像B中去得到新的图像。
2图像生成
GAN 不但能生成人脸还能生成其他类型的图片比如漫画人物。
三、网络结构
简单来讲就是用生成器生成手写数字图像用鉴别器鉴别图像的真假。二者相互对抗学习卷在对抗学习卷的过程中不断完善自己直至生成器可以生成以假乱真的图片鉴别器无法判断其真假。结构图如下 GAN步骤
1.生成器Generator接收随机数并返回生成图像。2.将生成的数字图像与实际数据集中的数字图像一起送到鉴别器Discriminator。3.鉴别器Discriminator接收真实和假图像并返回概率0到1之间的数字1表示真0表示假。
四、构建生成器
def build_generator():# ## 生成器输入一串随机数字生成图片# #model Sequential([layers.Dense(256, input_dimlatent_dim),layers.LeakyReLU(alpha0.2), # 高级一点的激活函数layers.BatchNormalization(momentum0.8), # BN 归一化layers.Dense(512),layers.LeakyReLU(alpha0.2),layers.BatchNormalization(momentum0.8),layers.Dense(1024),layers.LeakyReLU(alpha0.2),layers.BatchNormalization(momentum0.8),layers.Dense(np.prod(img_shape), activationtanh),layers.Reshape(img_shape)])noise layers.Input(shape(latent_dim,))img model(noise)return Model(noise, img)五、构建鉴别器
def build_discriminator():# ## 鉴别器对输入的图片进行判别真假# #model Sequential([layers.Flatten(input_shapeimg_shape),layers.Dense(512),layers.LeakyReLU(alpha0.2),layers.Dense(256),layers.LeakyReLU(alpha0.2),layers.Dense(1, activationsigmoid)])img layers.Input(shapeimg_shape)validity model(img)return Model(img, validity)# 创建判别器
discriminator build_discriminator()
# 定义优化器
optimizer tf.keras.optimizers.Adam(1e-4)
discriminator.compile(lossbinary_crossentropy,optimizeroptimizer,metrics[accuracy])# 创建生成器
generator build_generator()
gan_input layers.Input(shape(latent_dim,))
img generator(gan_input)# 对生成的假图片进行预测
validity discriminator(img)
combined Model(gan_input, validity)
combined.compile(lossbinary_crossentropy, optimizeroptimizer)六、训练模型
1. 保存样例图片
def sample_images(epoch):保存样例图片row, col 4, 4noise np.random.normal(0, 1, (row*col, latent_dim))gen_imgs generator.predict(noise)fig, axs plt.subplots(row, col)cnt 0for i in range(row):for j in range(col):axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmapgray)axs[i,j].axis(off)cnt 1fig.savefig(images/%05d.png % epoch)plt.close()2. 训练模型
train_on_batch函数接受单批数据执行反向传播然后更新模型参数该批数据的大小可以是任意的即它不需要提供明确的批量大小属于精细化控制训练模型。
def train(epochs, batch_size128, sample_interval50):# 加载数据(train_images,_), (_,_) tf.keras.datasets.mnist.load_data()# 将图片标准化到 [-1, 1] 区间内 train_images (train_images - 127.5) / 127.5# 数据train_images np.expand_dims(train_images, axis3)# 创建标签true np.ones((batch_size, 1))fake np.zeros((batch_size, 1))# 进行循环训练for epoch in range(epochs): # 随机选择 batch_size 张图片idx np.random.randint(0, train_images.shape[0], batch_size)imgs train_images[idx] # 生成噪音noise np.random.normal(0, 1, (batch_size, latent_dim))# 生成器通过噪音生成图片gen_imgs的shape为(128, 28, 28, 1)gen_imgs generator.predict(noise)# 训练鉴别器 d_loss_true discriminator.train_on_batch(imgs, true)d_loss_fake discriminator.train_on_batch(gen_imgs, fake)# 返回loss值d_loss 0.5 * np.add(d_loss_true, d_loss_fake)# 训练生成器noise np.random.normal(0, 1, (batch_size, latent_dim))g_loss combined.train_on_batch(noise, true)print (%d [D loss: %f, acc.: %.2f%%] [G loss: %f] % (epoch, d_loss[0], 100*d_loss[1], g_loss))# 保存样例图片if epoch % sample_interval 0:sample_images(epoch)train(epochs30000, batch_size256, sample_interval200)七、生成动图
如果报错ModuleNotFoundError: No module named imageio 可以使用pip install imageio 安装 imageio 库。
import imageiodef compose_gif():# 图片地址data_dir images_olddata_dir pathlib.Path(data_dir)paths list(data_dir.glob(*))gif_images []for path in paths:print(path)gif_images.append(imageio.imread(path))imageio.mimsave(test.gif,gif_images,fps2)compose_gif()
