深度学习-DCGAN试玩

2023-11-26 16:50
文章标签 学习 深度 dcgan 试玩

本文主要是介绍深度学习-DCGAN试玩,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

深度学习-DCGAN试玩

  • GAN
    • DCGAN

GAN

简单讲下GAN原理,数学公式什么的就不贴了,有兴趣可以百度,很多的,有一定数学基础的可以去研究研究,那个是GAN的理论基础。

直觉的说,GAN就是生成东西,生成的东西是基于我给定的训练集的样本的分布,即我的让我的模型去学习我样本的分布,让他们尽可能接近,然后模型就可以生成同样分布的东西,因为理论上分布是连续的,所以可以无限生成不同的东西,服从同一分布。

二次元头像就是这个道理,我们从网上获取了一堆二次元头像,其实他是服从一个分布的,只是我们不知道,所以要让GAN去学,学了后就可以从这个分布里去生成图片了。

主要训练思路就是训练2个神经网络,一个是生成器,一个鉴别器,他们两个互相对抗,互相升级,用我们的老化就是道高一尺魔高一丈,最终达到平衡的状态。

举个比较好理解的假酒的例子
在这里插入图片描述
在这里插入图片描述
造假的人(生产者)刚开始肯定会先弄点乱七八糟的东西,希望混一起喝起来能跟酒一样,然后给别人(鉴别者)喝一口,好像跟真酒差距还挺大,那我继续研究怎么造假,直到最后给别人喝起来跟真的一样,别人就觉得这个就是真的,那就说明造假很成功,也就是别人看来就是真的,和真的酒是同一个分布了。

DCGAN

DCGAN是GAN的一个变种,原理一样的,只是训练的时候网络结构不一样,更加稳定,容易训练。比如用了反卷积,用了上采样,用了BN,leakyRelu,都是为了好训练,具体的可以去百度。

贴一个mnist手写字体的生成,用的是DCGAN,思路还是清晰的。
先训练鉴别者,给真实数据打标签1,生产的数据打0,始终让鉴别者能辨别真假,
然后训练生产者,给生产的数据打1,让生产者生产出来的数据能骗过鉴别者,最终鉴别者给出1,
然后鉴别者继续训练,提供鉴别能力,然后生产者也训练,提高造假能力,就这样循环,到一定阶段鉴别者就会把生产者生产出来的东西认为是真的,因为生产者已经近似达到真实样本的分布,抽样出来的就是真的了。
在这里插入图片描述

贴下代码,keras写的,jupyter上可以跑,我根据理解注释了下:

from __future__ import print_function, divisionfrom keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adamimport matplotlib.pyplot as pltimport sysimport numpy as np(X_train, _), (_, _) = mnist.load_data()
print(X_train.shape)class DCGAN():def __init__(self):# 图片的行,列,通道,灰度就1个self.img_rows = 28self.img_cols = 28self.channels = 1self.img_shape = (self.img_rows, self.img_cols, self.channels)#输入的向量维数self.latent_dim = 100optimizer = Adam(0.0002, 0.5)# 创建鉴别者self.discriminator = self.build_discriminator()self.discriminator.compile(loss='binary_crossentropy',optimizer=optimizer,metrics=['accuracy'])# 创建生产者self.generator = self.build_generator()# 生产者的输入100维度的向量z = Input(shape=(self.latent_dim,))#输入向量输出图片img = self.generator(z)# 先训练生产者,不训练鉴别者self.discriminator.trainable = False# 鉴别者通过生产者的图片来进行鉴别valid = self.discriminator(img)# 将生产者和鉴别者模型连起来self.combined = Model(z, valid)self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)def build_generator(self):model = Sequential()model.add(Dense(128 * 7 * 7, activation="relu", input_dim=self.latent_dim))model.add(Reshape((7, 7, 128)))model.add(UpSampling2D())model.add(Conv2D(128, kernel_size=3, padding="same"))model.add(BatchNormalization(momentum=0.8))model.add(Activation("relu"))model.add(UpSampling2D())model.add(Conv2D(64, kernel_size=3, padding="same"))model.add(BatchNormalization(momentum=0.8))model.add(Activation("relu"))model.add(Conv2D(self.channels, kernel_size=3, padding="same"))model.add(Activation("tanh"))model.summary()noise = Input(shape=(self.latent_dim,))img = model(noise)return Model(noise, img)def build_discriminator(self):model = Sequential()model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=self.img_shape, padding="same"))model.add(LeakyReLU(alpha=0.2))model.add(Dropout(0.25))model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))model.add(ZeroPadding2D(padding=((0,1),(0,1))))model.add(BatchNormalization(momentum=0.8))model.add(LeakyReLU(alpha=0.2))model.add(Dropout(0.25))model.add(Conv2D(128, kernel_size=3, strides=2, padding="same"))model.add(BatchNormalization(momentum=0.8))model.add(LeakyReLU(alpha=0.2))model.add(Dropout(0.25))model.add(Conv2D(256, kernel_size=3, strides=1, padding="same"))model.add(BatchNormalization(momentum=0.8))model.add(LeakyReLU(alpha=0.2))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(1, activation='sigmoid'))model.summary()img = Input(shape=self.img_shape)validity = model(img)return Model(img, validity)def train(self, epochs, batch_size=128, save_interval=50):# 加载训练集, 60000个 28 x 28(X_train, _), (_, _) = mnist.load_data()# 归一化-1 到 1X_train = X_train / 127.5 - 1.#添加1维数据,图片是灰度所以是1个通道X_train = np.expand_dims(X_train, axis=3)# 给数据打标签 一半 1 一半 0valid = np.ones((batch_size, 1))fake = np.zeros((batch_size, 1))for epoch in range(epochs):# ---------------------#  训练鉴别者# ---------------------# 从0-59999里获取batch_size个随机数idx = np.random.randint(0, X_train.shape[0], batch_size)
#             print('idx:',idx.shape)#从X_train获取相应的数据 img 维度 batch_size x 28 x 28 x 1imgs = X_train[idx]
#             print('imgs:',imgs.shape)# 采样batch_size 个 latent_dim维度的噪声 batch_size x latent_dimnoise = np.random.normal(0, 1, (batch_size, self.latent_dim))
#             print('noise:',noise.shape)#生产者生产采样batch_size个图片 batch_size x 28 x 28 x 1gen_imgs = self.generator.predict(noise)
#             print('gen_imgs:',gen_imgs.shape)# 训练鉴别者,因为有2部分数据,所以都要训练,然后求平均损失,真实数据设为1 生产的数据为0d_loss_real = self.discriminator.train_on_batch(imgs, valid)d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake)d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)# ---------------------#  训练生产者# ---------------------# 训练生产者,让生产者的标签都为1g_loss = self.combined.train_on_batch(noise, valid)print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))# 每save_interval轮保存图片if epoch % save_interval == 0:self.save_imgs(epoch)def save_imgs(self, epoch):r, c = 5, 5noise = np.random.normal(0, 1, (r * c, self.latent_dim))gen_imgs = self.generator.predict(noise)# Rescale images 0 - 1gen_imgs = 0.5 * gen_imgs + 0.5fig, axs = plt.subplots(r, c)cnt = 0for i in range(r):for j in range(c):axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')axs[i,j].axis('off')cnt += 1fig.savefig("images/mnist_%d.png" % (epoch//50))plt.close()dcgan = DCGAN()
dcgan.train(epochs=4000, batch_size=32, save_interval=50)

很多GAN的keras实现集合github

好了,今天就到这里了,希望对学习理解有帮助,大神看见勿喷,仅为自己的学习理解,能力有限,请多包涵,部分图片来自网络,侵删。

这篇关于深度学习-DCGAN试玩的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/426033

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件