基于DCGAN的动漫头像生成神经网络实现

2023-12-24 23:32

本文主要是介绍基于DCGAN的动漫头像生成神经网络实现,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!

一、前言

1、什么是DCGAN?

2、DCGAN的TensorFlow实现

3、什么是转置卷积?

4、转置卷积的Tensorflow实现

5、Batch Normalization解读

本文假设读者已经了解GAN及CNN的基本原理实现,如不清楚可参考以下文章:

基于GAN的的mnist训练集图片生成神经网络实现

基于CNN的验证码识别神经网络实现

二、实战

1、训练数据处理

(1)数据源:百度云盘 提取码:g5qa

(2)创建一个生成器

class Avatar:def __init__(self):self.data_name = 'faces'self.source_shape = (96, 96, 3)self.resize_shape = (48, 48, 3)self.crop = Trueself.img_shape = self.source_shape if not self.crop else self.resize_shapeself.img_list = self._get_img_list()self.batch_size = 64self.batch_shape = (self.batch_size, ) + self.img_shapeself.chunk_size = len(self.img_list) // self.batch_sizedef _get_img_list(self):path = os.path.join(os.getcwd(), self.data_name, '*.jpg')return glob(path)def _get_img(self, name):assert name in self.img_listimg = scipy.misc.imread(name).astype(np.float32)assert img.shape == self.source_shapereturn self._resize(img) if self.crop else imgdef _resize(self, img):h, w = img.shape[:2]resize_h, resize_w = self.resize_shape[:2]crop_h, crop_w = self.source_shape[:2]j = int(round((h - crop_h) / 2.))i = int(round((w - crop_w) / 2.))cropped_image = scipy.misc.imresize(img[j:j + crop_h, i:i + crop_w], [resize_h, resize_w])return np.array(cropped_image) / 127.5 - 1.@staticmethoddef save_img(image, path):scipy.misc.imsave(path, image)return Truedef batches(self):start = 0end = self.batch_sizefor _ in range(self.chunk_size):name_list = self.img_list[start:end]imgs = [self._get_img(name) for name in name_list]batches = np.zeros(self.batch_shape)batches[::] = imgsyield batchesstart += self.batch_sizeend += self.batch_size
读取本地图片数据并创建一个生成器,作为后续模型数据源

2.模型参数定义

    def __init__(self):self.avatar = Avatar()# 真实图片shape (height, width, depth)self.img_shape = self.avatar.img_shape# 一个batch的图片向量shape (batch, height, width, depth)self.batch_shape = self.avatar.batch_shape# 一个batch包含图片数量self.batch_size = self.avatar.batch_size# batch数量self.chunk_size = self.avatar.chunk_size# 噪音图片sizeself.noise_img_size = 100# 卷积转置输出通道数量self.gf_size = 64# 卷积输出通道数量self.df_size = 64# 训练循环次数self.epoch_size = 50# 学习率self.learning_rate = 0.0002# 优化指数衰减率self.beta1 = 0.5# 生成图片数量self.sample_size = 64
3、输入定义

        # 真实图片real_imgs = tf.placeholder(tf.float32, self.batch_shape, name='real_images')# 噪声图片noise_imgs = tf.placeholder(tf.float32, [None, self.noise_img_size], name='noise_images')
我们利用随机的噪音输入来生成图片

4、生成器

    def generator(self, noise_imgs, train=True):with tf.variable_scope('generator'):# 分别对应每个layer的height, widths_h, s_w, _ = self.img_shapes_h2, s_w2 = self.conv_out_size_same(s_h, 2), self.conv_out_size_same(s_w, 2)s_h4, s_w4 = self.conv_out_size_same(s_h2, 2), self.conv_out_size_same(s_w2, 2)s_h8, s_w8 = self.conv_out_size_same(s_h4, 2), self.conv_out_size_same(s_w4, 2)s_h16, s_w16 = self.conv_out_size_same(s_h8, 2), self.conv_out_size_same(s_w8, 2)# layer 0# 对输入噪音图片进行线性变换z, h0_w, h0_b = self.linear(noise_imgs, self.gf_size*8*s_h16*s_w16)# reshape为合适的输入层格式h0 = tf.reshape(z, [-1, s_h16, s_w16, self.gf_size * 8])# 对数据进行归一化处理 加快收敛速度h0 = self.batch_normalizer(h0, train=train, name='g_bn0')# 激活函数h0 = tf.nn.relu(h0)# layer 1# 卷积转置进行上采样h1, h1_w, h1_b = self.deconv2d(h0, [self.batch_size, s_h8, s_w8, self.gf_size*4], name='g_h1')h1 = self.batch_normalizer(h1, train=train, name='g_bn1')h1 = tf.nn.relu(h1)# layer 2h2, h2_w, h2_b = self.deconv2d(h1, [self.batch_size, s_h4, s_w4, self.gf_size*2], name='g_h2')h2 = self.batch_normalizer(h2, train=train, name='g_bn2')h2 = tf.nn.relu(h2)# layer 3h3, h3_w, h3_b = self.deconv2d(h2, [self.batch_size, s_h2, s_w2, self.gf_size*1], name='g_h3')h3 = self.batch_normalizer(h3, train=train, name='g_bn3')h3 = tf.nn.relu(h3)# layer 4h4, h4_w, h4_b = self.deconv2d(h3, self.batch_shape, name='g_h4')return tf.nn.tanh(h4)
DCGAN的生成器为卷积网络,使用转置卷积进行上采样,去除pooling层,利用batch normalization加快收敛速度。

5、判别器

    def discriminator(self, real_imgs, reuse=False):with tf.variable_scope("discriminator", reuse=reuse):# layer 0# 卷积操作h0 = self.conv2d(real_imgs, self.df_size, name='d_h0_conv')# 激活函数h0 = self.lrelu(h0)# layer 1h1 = self.conv2d(h0, self.df_size*2, name='d_h1_conv')h1 = self.batch_normalizer(h1, name='d_bn1')h1 = self.lrelu(h1)# layer 2h2 = self.conv2d(h1, self.df_size*4, name='d_h2_conv')h2 = self.batch_normalizer(h2, name='d_bn2')h2 = self.lrelu(h2)# layer 3h3 = self.conv2d(h2, self.df_size*8, name='d_h3_conv')h3 = self.batch_normalizer(h3, name='d_bn3')h3 = self.lrelu(h3)# layer 4h4, _, _ = self.linear(tf.reshape(h3, [self.batch_size, -1]), 1, name='d_h4_lin')return tf.nn.sigmoid(h4), h4
DCGAN的判别器为卷积网络,这里使用卷积操作对图像进行特征提取识别。

6、损失和优化

    @staticmethoddef loss_graph(real_logits, fake_logits):# 生成器图片loss# 生成器希望判别器判断出来的标签为1gen_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=fake_logits, labels=tf.ones_like(fake_logits)))# 判别器识别生成器图片loss# 判别器希望识别出来的标签为0fake_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=fake_logits, labels=tf.zeros_like(fake_logits)))# 判别器识别真实图片loss# 判别器希望识别出来的标签为1real_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=real_logits, labels=tf.ones_like(real_logits)))# 判别器总lossdis_loss = tf.add(fake_loss, real_loss)return gen_loss, fake_loss, real_loss, dis_loss@staticmethoddef optimizer_graph(gen_loss, dis_loss, learning_rate, beta1):# 所有定义变量train_vars = tf.trainable_variables()# 生成器变量gen_vars = [var for var in train_vars if var.name.startswith('generator')]# 判别器变量dis_vars = [var for var in train_vars if var.name.startswith('discriminator')]# optimizer# 生成器与判别器作为两个网络需要分别优化gen_optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate, beta1=beta1).minimize(gen_loss, var_list=gen_vars)dis_optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate, beta1=beta1).minimize(dis_loss, var_list=dis_vars)return gen_optimizer, dis_optimizer
7、开始训练

        # 开始训练saver = tf.train.Saver()step = 0# 指定占用GPU比例# tensorflow默认占用全部GPU显存 防止在机器显存被其他程序占用过多时可能在启动时报错gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.8)with tf.Session(config=tf.ConfigProto(gpu_options=gpu_options)) as sess:sess.run(tf.global_variables_initializer())for epoch in range(self.epoch_size):batches = self.avatar.batches()for batch_imgs in batches:# generator的输入噪声noises = np.random.uniform(-1, 1, size=(self.batch_size, self.noise_img_size)).astype(np.float32)# 优化_ = sess.run(dis_optimizer, feed_dict={real_imgs: batch_imgs, noise_imgs: noises})_ = sess.run(gen_optimizer, feed_dict={noise_imgs: noises})_ = sess.run(gen_optimizer, feed_dict={noise_imgs: noises})step += 1print(datetime.now().strftime('%c'), epoch, step)
8、结果


跑了50个循环大概用了5个小时,笔者GPU比较一般,就不继续训练了。可以看到,到这里已经生成了不错的效果。

三、其他

具体代码可以在我的github上找到:https://github.com/lpty/tensorflow_tutorial








这篇关于基于DCGAN的动漫头像生成神经网络实现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/533512

相关文章

Springboot处理跨域的实现方式(附Demo)

《Springboot处理跨域的实现方式(附Demo)》:本文主要介绍Springboot处理跨域的实现方式(附Demo),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录Springboot处理跨域的方式1. 基本知识2. @CrossOrigin3. 全局跨域设置4.

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

基于SpringBoot实现文件秒传功能

《基于SpringBoot实现文件秒传功能》在开发Web应用时,文件上传是一个常见需求,然而,当用户需要上传大文件或相同文件多次时,会造成带宽浪费和服务器存储冗余,此时可以使用文件秒传技术通过识别重复... 目录前言文件秒传原理代码实现1. 创建项目基础结构2. 创建上传存储代码3. 创建Result类4.

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

在java中如何将inputStream对象转换为File对象(不生成本地文件)

《在java中如何将inputStream对象转换为File对象(不生成本地文件)》:本文主要介绍在java中如何将inputStream对象转换为File对象(不生成本地文件),具有很好的参考价... 目录需求说明问题解决总结需求说明在后端中通过POI生成Excel文件流,将输出流(outputStre

idea中创建新类时自动添加注释的实现

《idea中创建新类时自动添加注释的实现》在每次使用idea创建一个新类时,过了一段时间发现看不懂这个类是用来干嘛的,为了解决这个问题,我们可以设置在创建一个新类时自动添加注释,帮助我们理解这个类的用... 目录前言:详细操作:步骤一:点击上方的 文件(File),点击&nbmyHIgsp;设置(Setti