120 практических задач. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ style="font-size:15px;">      def train_step(images):

      noise = tf.random.normal([BATCH_SIZE, 100])

      with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:

      generated_images = generator(noise, training=True)

      real_output = discriminator(images, training=True)

      fake_output = discriminator(generated_images, training=True)

      gen_loss = generator_loss(fake_output)

      disc_loss = discriminator_loss(real_output, fake_output)

      gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables)

      gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables)

      generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))

      discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables))

      def train(dataset, epochs):

      for epoch in range(epochs):

      for image_batch in dataset:

      train_step(image_batch)

      print(f'Эпоха {epoch + 1} завершена')

      # Шаг 6: Обучение GAN

      EPOCHS = 50

      train(train_dataset, EPOCHS)

      # Шаг 7: Генерация изображений

      def generate_and_save_images(model, epoch, test_input):

      predictions = model(test_input, training=False)

      fig = plt.figure(figsize=(4, 4))

      for i in range(predictions.shape[0]):

      plt.subplot(4, 4, i+1)

      plt.imshow(predictions[i, :, :, 0] * 127.5 + 127.5, cmap='gray')

      plt.axis('off')

      plt.savefig(f'image_at_epoch_{epoch:04d}.png')

      plt.show()

      # Генерация изображений после обучения

      noise = tf.random.normal([16, 100])

      generate_and_save_images(generator, EPOCHS, noise)

      ```

      Пояснение:

      1. Импорт библиотек: Импортируются необходимые библиотеки TensorFlow, Keras, numpy и matplotlib.

      2. Подготовка данных: Загружаются данные MNIST и нормализуются в диапазоне [-1, 1]. Данные затем разделяются на батчи для обучения.

      3. Построение генератора:

      – Генератор создает изображения из случайного шума. Он включает плотные слои, batch normalization и Conv2DTranspose слои для генерации изображений размером 28x28 пикселей.

      4. Построение дискриминатора:

      – Дискриминатор оценивает, являются ли изображения реальными или сгенерированными. Он состоит из свёрточных слоев, слоев LeakyReLU и dropout для классификации изображений.

      5. Построение GAN:

      – Генератор и дискриминатор объединяются в модель GAN. Определяются функции потерь и оптимизаторы для обеих моделей.

      6. Обучение GAN:

      – GAN обучается в течение заданного числа эпох. На каждом шаге обучения генератор пытается создать реалистичные изображения, а дискриминатор учится отличать реальные изображения от сгенерированных.

      7. Генерация изображений:

      – После обучения GAN, создаются и сохраняются изображения, сгенерированные генератором.

      Этот пример демонстрирует, как создать простую GAN для генерации рукописных цифр из набора данных MNIST. Модель может быть улучшена за счет добавления дополнительных слоев, настройки гиперпараметров и использования более сложных архитектур.

      8. Построение сложной GAN для генерации реалистичных изображений

      – Задача: Генерация изображений лиц.

      Для создания сложной генеративно-состязательной сети (GAN) для генерации реалистичных изображений лиц можно использовать библиотеку TensorFlow и Keras. Мы будем использовать улучшенную архитектуру GAN, известную как DCGAN (Deep Convolutional GAN), которая доказала свою эффективность в создании реалистичных изображений. Набор данных CelebA, содержащий фотографии лиц знаменитостей, является хорошим выбором для этой задачи.

      Шаги:

СКАЧАТЬ