120 практических задач. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ данных

      2. Построение модели GAN

      3. Обучение модели

      4. Генерация изображений

      1. Подготовка данных

      Для начала нужно собрать и подготовить набор данных с изображениями ландшафтов. Используем набор данных, например, с сайта Kaggle, или загружаем собственные изображения.

      ```python

      import os

      import numpy as np

      import matplotlib.pyplot as plt

      from PIL import Image

      from sklearn.model_selection import train_test_split

      # Пусть 'landscapes' – это директория с изображениями

      image_dir = 'path_to_landscape_images'

      image_size = (128, 128) # Размер изображения для нейронной сети

      def load_images(image_dir, image_size):

      images = []

      for filename in os.listdir(image_dir):

      if filename.endswith(".jpg") or filename.endswith(".png"):

      img_path = os.path.join(image_dir, filename)

      img = Image.open(img_path).resize(image_size)

      img = np.array(img)

      images.append(img)

      return np.array(images)

      images = load_images(image_dir, image_size)

      images = (images – 127.5) / 127.5 # Нормализация изображений в диапазон [-1, 1]

      train_images, test_images = train_test_split(images, test_size=0.2)

      ```

      2. Построение модели GAN

      Генеративно-состязательная сеть состоит из двух частей: генератора и дискриминатора.

      ```python

      import tensorflow as tf

      from tensorflow.keras import layers

      # Генератор

      def build_generator():

      model = tf.keras.Sequential()

      model.add(layers.Dense(256, activation='relu', input_shape=(100,)))

      model.add(layers.BatchNormalization())

      model.add(layers.Dense(512, activation='relu'))

      model.add(layers.BatchNormalization())

      model.add(layers.Dense(1024, activation='relu'))

      model.add(layers.BatchNormalization())

      model.add(layers.Dense(np.prod(image_size) * 3, activation='tanh'))

      model.add(layers.Reshape((image_size[0], image_size[1], 3)))

      return model

      # Дискриминатор

      def build_discriminator():

      model = tf.keras.Sequential()

      model.add(layers.Flatten(input_shape=image_size + (3,)))

      model.add(layers.Dense(512, activation='relu'))

      model.add(layers.Dense(256, activation='relu'))

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

      return model

      # Сборка модели GAN

      generator = build_generator()

      discriminator = build_discriminator()

      discriminator.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

      gan_input = layers.Input(shape=(100,))

      generated_image = generator(gan_input)

      discriminator.trainable = False

      gan_output = discriminator(generated_image)

      gan = tf.keras.Model(gan_input, gan_output)

      gan.compile(optimizer='adam', loss='binary_crossentropy')

      ```

      3. Обучение модели

      ```python

      import tensorflow as tf

      # Гиперпараметры

      epochs = 10000

      batch_size = 64

      sample_interval = 200

      latent_dim = 100

      # Генерация меток

      real_labels = np.ones((batch_size, 1))

      fake_labels = np.zeros((batch_size, 1))

      for epoch in range(epochs):

      # Обучение дискриминатора

      idx = np.random.randint(0, train_images.shape[0], batch_size)

      real_images = train_images[idx]

      noise = np.random.normal(0, 1, (batch_size, latent_dim))

      fake_images = generator.predict(noise)

      d_loss_real = discriminator.train_on_batch(real_images, real_labels)

      d_loss_fake = discriminator.train_on_batch(fake_images, fake_labels)

      d_loss = 0.5 * np.add(d_loss_real, СКАЧАТЬ