门户网站后台管理系统,网站被提示危险网站,织梦网站登录,wordpress igoogle图像生成#xff1a;Pytorch实现一个简单的对抗生成网络模型 前言相关介绍具体步骤准备并读取数据集定义生成器定义判别器定义损失函数定义优化器开始训练完整代码 训练生成的图片 前言 由于本人水平有限#xff0c;难免出现错漏#xff0c;敬请批评改正。更多精彩内容… 图像生成Pytorch实现一个简单的对抗生成网络模型 前言相关介绍具体步骤准备并读取数据集定义生成器定义判别器定义损失函数定义优化器开始训练完整代码 训练生成的图片 前言 由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入人工智能知识点专栏、Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目 相关介绍 对抗生成网络Adversarial Generative Networks简称GANs是由伊恩·古德费洛Ian Goodfellow等人在2014年提出的深度学习框架主要用于无监督学习中的数据生成任务。GAN的设计灵感来源于博弈论中的极小极大游戏在机器学习领域开辟了一种全新的生成模型方法。 GAN包含两个主要组成部分 生成器Generator, G 生成器G是一个神经网络它的功能是从随机噪声向量通常来自高斯分布或其他先验分布出发通过一系列变换来生成新的数据样本这些样本应该尽可能接近于训练数据的真实分布。G的目标是尽可能地“欺骗”判别器使其无法区分生成的数据和真实数据。 判别器Discriminator, D 判别器D也是一个神经网络它的作用是接收输入的样本并将其分类为“真”来自真实数据分布或“假”来自生成器产生的分布。D的目标是准确地区分真实数据和伪造数据从而提高自身鉴别能力。 训练过程中GAN采用了极小极大博弈策略具体步骤如下 先固定判别器参数更新生成器参数以使得生成的数据更有可能被判别器误认为真实数据再固定生成器参数更新判别器参数以更好地区分真实数据和生成器生成的伪数据。 这种交替优化的方式促使两个网络性能不断提升直到达到纳什均衡此时生成器能够生成非常逼真的新样本而判别器再也无法有效区分真实数据和生成数据。 GAN在图像生成、图像到图像转换、视频生成、音频合成等多个领域都取得了显著成果并且随着研究的深入衍生出了许多改进版本和变体比如条件GANConditional GANs、 Wasserstein GANWGAN、CycleGAN等进一步提高了生成效果并拓展了应用范围。 具体步骤
准备并读取数据集
以mnist数据集为例。
# Configure data loader
os.makedirs(./data/mnist, exist_okTrue)
dataloader torch.utils.data.DataLoader(datasets.MNIST(./data/mnist,trainTrue,downloadTrue,transformtransforms.Compose([transforms.Resize(opt.img_size), transforms.ToTensor(), transforms.Normalize([0.5], [0.5])]),),batch_sizeopt.batch_size,shuffleTrue,
)定义生成器
class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()def block(in_feat, out_feat, normalizeTrue):layers [nn.Linear(in_feat, out_feat)]if normalize:layers.append(nn.BatchNorm1d(out_feat, 0.8))layers.append(nn.LeakyReLU(0.2, inplaceTrue))return layersself.model nn.Sequential(*block(opt.latent_dim, 128, normalizeFalse),*block(128, 256),*block(256, 512),*block(512, 1024),nn.Linear(1024, int(np.prod(img_shape))),nn.Tanh())def forward(self, z):img self.model(z)img img.view(img.size(0), *img_shape)return img
定义判别器
class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.model nn.Sequential(nn.Linear(int(np.prod(img_shape)), 512),nn.LeakyReLU(0.2, inplaceTrue),nn.Linear(512, 256),nn.LeakyReLU(0.2, inplaceTrue),nn.Linear(256, 1),nn.Sigmoid(),)def forward(self, img):img_flat img.view(img.size(0), -1)validity self.model(img_flat)return validity定义损失函数
# Loss function
adversarial_loss torch.nn.BCELoss()定义优化器
# Optimizers
optimizer_G torch.optim.Adam(generator.parameters(), lropt.lr, betas(opt.b1, opt.b2))
optimizer_D torch.optim.Adam(discriminator.parameters(), lropt.lr, betas(opt.b1, opt.b2))开始训练
# ----------
# Training
# ----------for epoch in range(opt.n_epochs):for i, (imgs, _) in enumerate(dataloader):# Adversarial ground truthsvalid Variable(Tensor(imgs.size(0), 1).fill_(1.0), requires_gradFalse)fake Variable(Tensor(imgs.size(0), 1).fill_(0.0), requires_gradFalse)# Configure inputreal_imgs Variable(imgs.type(Tensor))# -----------------# Train Generator# -----------------optimizer_G.zero_grad()# Sample noise as generator inputz Variable(Tensor(np.random.normal(0, 1, (imgs.shape[0], opt.latent_dim))))# Generate a batch of imagesgen_imgs generator(z)# Loss measures generators ability to fool the discriminator# 生成器损失目的是生成的图像逼近真是图像是判别器认为是真g_loss adversarial_loss(discriminator(gen_imgs), valid)g_loss.backward()optimizer_G.step()# ---------------------# Train Discriminator# ---------------------optimizer_D.zero_grad()# Measure discriminators ability to classify real from generated samples# 真实图像在判别器的目标函数损失即判别器应该判为真real_loss adversarial_loss(discriminator(real_imgs), valid)# 生成器生成出来的图像在判别器的目标函数损失即判别器应该判为假fake_loss adversarial_loss(discriminator(gen_imgs.detach()), fake)# 判别器损失目的是判别生成的图像是假d_loss (real_loss fake_loss) / 2d_loss.backward()optimizer_D.step()print([Epoch %d/%d] [Batch %d/%d] [D loss: %f] [G loss: %f]% (epoch, opt.n_epochs, i, len(dataloader), d_loss.item(), g_loss.item()))完整代码
import argparse
import os
import numpy as np
import mathimport torchvision.transforms as transforms
from torchvision.utils import save_imagefrom torch.utils.data import DataLoader
from torchvision import datasets
from torch.autograd import Variableimport torch.nn as nn
import torch.nn.functional as F
import torchos.makedirs(images, exist_okTrue)parser argparse.ArgumentParser()
parser.add_argument(--n_epochs, typeint, default100, helpnumber of epochs of training)
parser.add_argument(--batch_size, typeint, default128, helpsize of the batches)
parser.add_argument(--lr, typefloat, default0.0002, helpadam: learning rate)
parser.add_argument(--b1, typefloat, default0.5, helpadam: decay of first order momentum of gradient)
parser.add_argument(--b2, typefloat, default0.999, helpadam: decay of first order momentum of gradient)
parser.add_argument(--n_cpu, typeint, default8, helpnumber of cpu threads to use during batch generation)
parser.add_argument(--latent_dim, typeint, default100, helpdimensionality of the latent space)
parser.add_argument(--img_size, typeint, default28, helpsize of each image dimension)
parser.add_argument(--channels, typeint, default1, helpnumber of image channels)
parser.add_argument(--sample_interval, typeint, default400, helpinterval betwen image samples)
opt parser.parse_args()
print(opt)img_shape (opt.channels, opt.img_size, opt.img_size)cuda True if torch.cuda.is_available() else Falseclass Generator(nn.Module):def __init__(self):super(Generator, self).__init__()def block(in_feat, out_feat, normalizeTrue):layers [nn.Linear(in_feat, out_feat)]if normalize:layers.append(nn.BatchNorm1d(out_feat, 0.8))layers.append(nn.LeakyReLU(0.2, inplaceTrue))return layersself.model nn.Sequential(*block(opt.latent_dim, 128, normalizeFalse),*block(128, 256),*block(256, 512),*block(512, 1024),nn.Linear(1024, int(np.prod(img_shape))),nn.Tanh())def forward(self, z):img self.model(z)img img.view(img.size(0), *img_shape)return imgclass Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.model nn.Sequential(nn.Linear(int(np.prod(img_shape)), 512),nn.LeakyReLU(0.2, inplaceTrue),nn.Linear(512, 256),nn.LeakyReLU(0.2, inplaceTrue),nn.Linear(256, 1),nn.Sigmoid(),)def forward(self, img):img_flat img.view(img.size(0), -1)validity self.model(img_flat)return validity# Loss function
adversarial_loss torch.nn.BCELoss()# Initialize generator and discriminator
generator Generator()
discriminator Discriminator()if cuda:generator.cuda()discriminator.cuda()adversarial_loss.cuda()# Configure data loader
os.makedirs(./data/mnist, exist_okTrue)
dataloader torch.utils.data.DataLoader(datasets.MNIST(./data/mnist,trainTrue,downloadTrue,transformtransforms.Compose([transforms.Resize(opt.img_size), transforms.ToTensor(), transforms.Normalize([0.5], [0.5])]),),batch_sizeopt.batch_size,shuffleTrue,
)# Optimizers
optimizer_G torch.optim.Adam(generator.parameters(), lropt.lr, betas(opt.b1, opt.b2))
optimizer_D torch.optim.Adam(discriminator.parameters(), lropt.lr, betas(opt.b1, opt.b2))Tensor torch.cuda.FloatTensor if cuda else torch.FloatTensor# ----------
# Training
# ----------for epoch in range(opt.n_epochs):for i, (imgs, _) in enumerate(dataloader):# Adversarial ground truthsvalid Variable(Tensor(imgs.size(0), 1).fill_(1.0), requires_gradFalse)fake Variable(Tensor(imgs.size(0), 1).fill_(0.0), requires_gradFalse)# Configure inputreal_imgs Variable(imgs.type(Tensor))# -----------------# Train Generator# -----------------optimizer_G.zero_grad()# Sample noise as generator inputz Variable(Tensor(np.random.normal(0, 1, (imgs.shape[0], opt.latent_dim))))# Generate a batch of imagesgen_imgs generator(z)# Loss measures generators ability to fool the discriminatorg_loss adversarial_loss(discriminator(gen_imgs), valid)g_loss.backward()optimizer_G.step()# ---------------------# Train Discriminator# ---------------------optimizer_D.zero_grad()# Measure discriminators ability to classify real from generated samplesreal_loss adversarial_loss(discriminator(real_imgs), valid)fake_loss adversarial_loss(discriminator(gen_imgs.detach()), fake)d_loss (real_loss fake_loss) / 2d_loss.backward()optimizer_D.step()print([Epoch %d/%d] [Batch %d/%d] [D loss: %f] [G loss: %f]% (epoch, opt.n_epochs, i, len(dataloader), d_loss.item(), g_loss.item()))batches_done epoch * len(dataloader) iif batches_done % opt.sample_interval 0:save_image(gen_imgs.data[:25], images/%d.png % batches_done, nrow5, normalizeTrue)训练生成的图片 由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入人工智能知识点专栏、Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目
