pytorch：DCGAN生成动漫头像

动漫头像数据集下载地址：动漫头像数据集_百度云连接，DCGAN论文下载地址： https://arxiv.org/abs/1511.06434

数据集里面的图片是这个样子的：

这是DCGAN的主要改进地方：

下面是所有代码：

第一个模块：

import torch
import torch.nn as nn
import numpy as np
import torch.nn.init as init
import data_helper
from torchvision import transformstrans = transforms.Compose([transforms.ToTensor(),transforms.Normalize((.5, .5, .5), (.5, .5, .5))]
)
G_LR = 0.0002
D_LR = 0.0002
BATCHSIZE = 50
EPOCHES = 3000def init_ws_bs(m):if isinstance(m, nn.ConvTranspose2d):init.normal_(m.weight.data, std=0.2)init.normal_(m.bias.data, std=0.2)class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()self.deconv1 = nn.Sequential(nn.ConvTranspose2d(  # stride(input_w-1)+k-2*Paddingin_channels=100,out_channels=64 * 8,kernel_size=4,stride=1,padding=0,bias=False,),nn.BatchNorm2d(64 * 8),nn.ReLU(inplace=True),)self.deconv2 = nn.Sequential(nn.ConvTranspose2d(  # stride(input_w-1)+k-2*Paddingin_channels=64 * 8,out_channels=64 * 4,kernel_size=4,stride=2,padding=1,bias=False,),nn.BatchNorm2d(64 * 4),nn.ReLU(inplace=True),)self.deconv3 = nn.Sequential(nn.ConvTranspose2d(  # stride(input_w-1)+k-2*Paddingin_channels=64 * 4,out_channels=64 * 2,kernel_size=4,stride=2,padding=1,bias=False,),nn.BatchNorm2d(64 * 2),nn.ReLU(inplace=True),)self.deconv4 = nn.Sequential(nn.ConvTranspose2d(  # stride(input_w-1)+k-2*Paddingin_channels=64 * 2,out_channels=64 * 1,kernel_size=4,stride=2,padding=1,bias=False,),nn.BatchNorm2d(64),nn.ReLU(inplace=True),)self.deconv5 = nn.Sequential(nn.ConvTranspose2d(64, 3, 5, 3, 1, bias=False),nn.Tanh(),)def forward(self, x):x = self.deconv1(x)x = self.deconv2(x)x = self.deconv3(x)x = self.deconv4(x)x = self.deconv5(x)return xclass Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.conv1 = nn.Sequential(nn.Conv2d(  # batchsize,3,96,96in_channels=3,out_channels=64,kernel_size=5,padding=1,stride=3,bias=False,),nn.BatchNorm2d(64),nn.LeakyReLU(.2, inplace=True),)self.conv2 = nn.Sequential(nn.Conv2d(64, 64 * 2, 4, 2, 1, bias=False, ),  # batchsize,16,32,32nn.BatchNorm2d(64 * 2),nn.LeakyReLU(.2, inplace=True),)self.conv3 = nn.Sequential(nn.Conv2d(64 * 2, 64 * 4, 4, 2, 1, bias=False),nn.BatchNorm2d(64 * 4),nn.LeakyReLU(.2, inplace=True),)self.conv4 = nn.Sequential(nn.Conv2d(64 * 4, 64 * 8, 4, 2, 1, bias=False),nn.BatchNorm2d(64 * 8),nn.LeakyReLU(.2, inplace=True),)self.output = nn.Sequential(nn.Conv2d(64 * 8, 1, 4, 1, 0, bias=False),nn.Sigmoid()  #)def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = self.conv3(x)x = self.conv4(x)x = self.output(x)return xg = Generator().cuda()
d = Discriminator().cuda()init_ws_bs(g), init_ws_bs(d)g_optimizer = torch.optim.Adam(g.parameters(), betas=(.5, 0.999), lr=G_LR)
d_optimizer = torch.optim.Adam(d.parameters(), betas=(.5, 0.999), lr=D_LR)g_loss_func = nn.BCELoss()
d_loss_func = nn.BCELoss()label_real = torch.ones(BATCHSIZE).cuda()
label_fake = torch.zeros(BATCHSIZE).cuda()real_img = data_helper.get_imgs()for epoch in range(EPOCHES):np.random.shuffle(real_img)count = 0batch_imgs = []for i in range(len(real_img)):count = count + 1batch_imgs.append(trans(real_img[i]).numpy())  # tensor类型#这里经过trans操作通道维度从第四个到第二个了if count == BATCHSIZE:count = 0batch_real = torch.Tensor(batch_imgs).cuda()batch_imgs.clear()d_optimizer.zero_grad()pre_real = d(batch_real).squeeze()d_real_loss = d_loss_func(pre_real, label_real)d_real_loss.backward()batch_fake = torch.randn(BATCHSIZE, 100, 1, 1).cuda()img_fake = g(batch_fake).detach()pre_fake = d(img_fake).squeeze()d_fake_loss = d_loss_func(pre_fake, label_fake)d_fake_loss.backward()d_optimizer.step()g_optimizer.zero_grad()batch_fake = torch.randn(BATCHSIZE, 100, 1, 1).cuda()img_fake = g(batch_fake)pre_fake = d(img_fake).squeeze()g_loss = g_loss_func(pre_fake, label_real)g_loss.backward()g_optimizer.step()print(i,(d_real_loss + d_fake_loss).detach().cpu().numpy(), g_loss.detach().cpu().numpy())torch.save(g, "pkl/" + str(epoch) + "g.pkl")

以上网络结构和参数，是从另一个博客找来的Pytorch实战3：DCGAN深度卷积对抗生成网络生成动漫头像

其中调用了一个同目录下的data_helper模块，用来从本地数据文件夹中获取图片（list of arrray），其中需要把文件夹改成自己的文件夹:

import cv2
import os
MAIN_PATH="E:/DataSets/faces/"
def get_imgs():files = os.listdir(MAIN_PATH)imgs = []for file in files:imgs.append(cv2.imread(MAIN_PATH + file))print("get_imgs")return imgs

由于是对每个epoch都保存了网络结构，所以可以在训练完成后选择需要加载的本地网络文件，然后测试效果：

用下面的代码来测试：

import torch.nn as nn
import torch
import cv2
class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()self.deconv1=nn.Sequential(nn.ConvTranspose2d(#stride(input_w-1)+k-2*Paddingin_channels=100,out_channels=64*8,kernel_size=4,stride=1,padding=0,bias=False,),nn.BatchNorm2d(64*8),nn.ReLU(inplace=True),)#14self.deconv2=nn.Sequential(nn.ConvTranspose2d(#stride(input_w-1)+k-2*Paddingin_channels=64*8,out_channels=64*4,kernel_size=4,stride=2,padding=1,bias=False,),nn.BatchNorm2d(64*4),nn.ReLU(inplace=True),)#24self.deconv3 = nn.Sequential(nn.ConvTranspose2d(  # stride(input_w-1)+k-2*Paddingin_channels=64*4,out_channels=64*2,kernel_size=4,stride=2,padding=1,bias=False,),nn.BatchNorm2d(64*2),nn.ReLU(inplace=True),)#48self.deconv4 = nn.Sequential(nn.ConvTranspose2d(  # stride(input_w-1)+k-2*Paddingin_channels=64*2,out_channels=64*1,kernel_size=4,stride=2,padding=1,bias=False,),nn.BatchNorm2d(64),nn.ReLU(inplace=True),)self.deconv5=nn.Sequential(nn.ConvTranspose2d(64,3,5,3,1,bias=False),nn.Tanh(),)def forward(self, x):x=self.deconv1(x)x=self.deconv2(x)x=self.deconv3(x)x=self.deconv4(x)x=self.deconv5(x)return  xg=torch.load("pkl/15g.pkl")
imgs=g(torch.randn(100,100,1,1).cuda())
for i in range(len(imgs)):img=imgs[i].permute(1,2,0).cpu().detach().numpy()*255cv2.imwrite("bitmaps/"+str(i)+".jpg",img,)#这里需要在同目录下建立一个bitmap文件夹
print("done")

接下来是运行的效果：

第一个epoch结束之后：

第15个epoch之后：

一共训练了67个epoch，最终的结果：

可以看到效果和15个迭代器的差别不大，说明网络的收敛速度还是可以的，但是效果也不算太好，没有原先数据集中的美观。

pytorch：DCGAN生成动漫头像相关推荐

vs2019 利用Pytorch和TensorFlow分别实现DCGAN生成动漫头像
这是针对于博客vs2019安装和使用教程(详细)的DCGAN生成动漫头像项目新建示例目录一.DCGAN架构及原理二.项目结构 1.TensorFlow 2.Pytorch 三.数据集下载(两种方 ...
DCGAN生成动漫头像【学习】
DCGAN生成动漫头像在假期看了李宏毅老师的GAN的介绍,看到了课后题DCGAN生成动漫头像的作业,实现一下.记录学习过程. 参考的文章: [Keras] 基于GAN自动生成动漫头像因为使用的是t ...
通过PyTorch用DCGAN生成动漫头像
数据集数据集我们用AnimeFaces数据集,共5万多张动漫头像. 链接:https://pan.baidu.com/s/1cp-A8ZV74YBelkSuKxuM6A 提取码:face 要把所有的 ...
使用TensorFlow2.0搭建DCGAN生成动漫头像（内含生成过程GIF图）
文章目录生成对抗网络介绍一.造假二.训练判别器三.训练生成器 DCGAN介绍搭建DCGAN 数据来源必要工作读取数据构建生成器构建判别器连接模型连接图片生成函数训练生成对抗 ...
基于Tensorflow和DCGAN生成动漫头像实践（二）
本篇内容为动漫头像生成的主要代码部分,第一次写这种代码,从读取数据到生成走了一个完整的流程.创建TFrecord过程可以看上一篇内容. 代码内容: #!/usr/bin/env python2 # - ...
DCGAN生成动漫头像（附代码）
DCGAN.顾名思义,就是深度卷积生成对抗神经网络,也就是引入了卷积的,但是它用的是反卷积,就是卷积的反操作. 我们看看DCGAN的图: 生成器开始输入的是噪声数据,然后经过一个全连接层,再把全连接层 ...
有趣的图像生成——使用DCGAN与pytorch生成动漫头像
有趣的图像生成--使用DCGAN与pytorch生成动漫头像文章目录有趣的图像生成--使用DCGAN与pytorch生成动漫头像一.源码下载二.什么是DCGAN 三.DCGAN的实现 1.** ...
pytorch实现DCGAN生成动漫人物头像
pytorch实现DCGAN生成动漫人物头像 DCGAN原理参考这一系列文章数据集 21551张64*64动漫人物头像生成效果训练1个epoch(emm-) 训练10个epoch(起码有颜色了 ...
【PyTorch】12 生成对抗网络实战——用GAN生成动漫头像
GAN 生成动漫头像 1. 获取数据 2. 用GAN生成 2.1 Generator 2.2 Discriminator 2.3 其它细节 2.4 训练思路 3. 全部代码 4. 结果展示与分析小结 ...

pytorch：DCGAN生成动漫头像

pytorch：DCGAN生成动漫头像相关推荐

最新文章

热门文章