120 практических задач. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ дискриминатора.

      5. Построение и компиляция GAN.

      6. Обучение GAN.

      7. Генерация изображений.

      Пример кода:

      ```python

      import tensorflow as tf

      from tensorflow.keras import layers, models

      import numpy as np

      import os

      import matplotlib.pyplot as plt

      from tensorflow.keras.preprocessing.image import ImageDataGenerator

      # Шаг 1: Импорт библиотек

      import tensorflow as tf

      from tensorflow.keras import layers, models

      import numpy as np

      import matplotlib.pyplot as plt

      import os

      # Шаг 2: Подготовка данных

      # Загрузка набора данных CelebA

      # Этот пример предполагает, что данные находятся в папке 'img_align_celeba/img_align_celeba'

      # Скачивание и подготовка данных не входит в код

      DATA_DIR = 'img_align_celeba/img_align_celeba'

      IMG_HEIGHT = 64

      IMG_WIDTH = 64

      BATCH_SIZE = 128

      BUFFER_SIZE = 60000

      def load_image(image_path):

      image = tf.io.read_file(image_path)

      image = tf.image.decode_jpeg(image, channels=3)

      image = tf.image.resize(image, [IMG_HEIGHT, IMG_WIDTH])

      image = (image – 127.5) / 127.5 # Нормализация изображений в диапазоне [-1, 1]

      return image

      def load_dataset(data_dir):

      image_paths = [os.path.join(data_dir, img) for img in os.listdir(data_dir)]

      image_dataset = tf.data.Dataset.from_tensor_slices(image_paths)

      image_dataset = image_dataset.map(load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE)

      image_dataset = image_dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE).prefetch(tf.data.experimental.AUTOTUNE)

      return image_dataset

      train_dataset = load_dataset(DATA_DIR)

      # Шаг 3: Построение генератора

      def build_generator():

      model = models.Sequential()

      model.add(layers.Dense(8 * 8 * 256, use_bias=False, input_shape=(100,)))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Reshape((8, 8, 256)))

      assert model.output_shape == (None, 8, 8, 256) # Убедитесь, что выходная форма такая

      model.add(layers.Conv2DTranspose(128, (5, 5), strides=(2, 2), padding='same', use_bias=False))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      assert model.output_shape == (None, 16, 16, 128)

      model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      assert model.output_shape == (None, 32, 32, 64)

      model.add(layers.Conv2DTranspose(3, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))

      assert model.output_shape == (None, 64, 64, 3)

      return model

      # Шаг 4: Построение дискриминатора

      def build_discriminator():

      model = models.Sequential()

      model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[64, 64, 3]))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Conv2D(256, (5, 5), strides=(2, 2), padding='same'))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Flatten())

      model.add(layers.Dense(1, activation='sigmoid'))

      return model

      # Построение генератора и дискриминатора

      generator = build_generator()

      discriminator = build_discriminator()

      # Определение функции потерь и оптимизаторов

      cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)

      def discriminator_loss(real_output, fake_output):

      real_loss = cross_entropy(tf.ones_like(real_output), real_output)

      fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)

      total_loss = real_loss + fake_loss

      return total_loss

      def СКАЧАТЬ