120 практических задач. Джейд Картер

обучения GAN, создаются и сохраняются изображения, сгенерированные генератором.

      Этот пример демонстрирует, как создать простую GAN для генерации рукописных цифр из набора данных MNIST. Модель может быть улучшена за счет добавления дополнительных слоев, настройки гиперпараметров и использования более сложных архитектур.

      8. Построение сложной GAN для генерации реалистичных изображений

      – Задача: Генерация изображений лиц.

      Для создания сложной генеративно-состязательной сети (GAN) для генерации реалистичных изображений лиц можно использовать библиотеку TensorFlow и Keras. Мы будем использовать улучшенную архитектуру GAN, известную как DCGAN (Deep Convolutional GAN), которая доказала свою эффективность в создании реалистичных изображений. Набор данных CelebA, содержащий фотографии лиц знаменитостей, является хорошим выбором для этой задачи.

      Шаги:

      1. Импорт библиотек и модулей.

      2. Подготовка данных.

      3. Построение генератора.

      4. Построение 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,