使用DCGAN生成动漫人物头像

使用 D C G A N 生成动漫人物头像使用DCGAN生成动漫人物头像使用DCGAN生成动漫人物头像

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import glob
import os

os.listdir('../input/anime-faces/data/data')[:10]

print('Tensorflow version: {}'.format(tf.__version__))

image_path = glob.glob('../input/anime-faces/data/data/*.png')

len(image_path)

def load_preprosess_image(path):image = tf.io.read_file(path)image = tf.image.decode_png(image, channels=3)
#    image = tf.image.resize_with_crop_or_pad(image, 256, 256)image = tf.cast(image, tf.float32)image = (image / 127.5) - 1return image

image_ds = tf.data.Dataset.from_tensor_slices(image_path)

AUTOTUNE = tf.data.experimental.AUTOTUNE

image_ds = image_ds.map(load_preprosess_image, num_parallel_calls=AUTOTUNE)

image_ds

BATCH_SIZE = 64
image_count = len(image_path)

image_ds = image_ds.shuffle(image_count).batch(BATCH_SIZE)
image_ds = image_ds.prefetch(AUTOTUNE)

def generator_model():model = tf.keras.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)))   #8*8*256model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())             #8*8*128model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())             #16*16*128model.add(layers.Conv2DTranspose(32, (5, 5), strides=(2, 2), padding='same', use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())             #32*32*32model.add(layers.Conv2DTranspose(3, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))#64*64*3return model

generator = generator_model()noise = tf.random.normal([1, 100])
generated_image = generator(noise, training=False)plt.imshow((generated_image[0, :, :, :3] + 1)/2)

def discriminator_model():model = tf.keras.Sequential()model.add(layers.Conv2D(32, (5, 5), strides=(2, 2), padding='same',input_shape=[64, 64, 3]))model.add(layers.LeakyReLU())model.add(layers.Dropout(0.3))      # 32*32*32model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same'))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())model.add(layers.Dropout(0.3))      # 16*16*64model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())
#    model.add(layers.Dropout(0.3))      # 8*8*128model.add(layers.Conv2D(256, (5, 5), strides=(2, 2), padding='same'))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())       # 4*4*256model.add(layers.GlobalAveragePooling2D())model.add(layers.Dense(1024))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())model.add(layers.Dense(1))return model

discriminator = discriminator_model()
decision = discriminator(generated_image)
print(decision)

cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)

def discriminator_loss(real_output, fake_output):real_loss = cross_entropy(tf.ones_like(real_output), real_output)fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)total_loss = real_loss + fake_lossreturn total_loss

def generator_loss(fake_output):return cross_entropy(tf.ones_like(fake_output), fake_output)

generator_optimizer = tf.keras.optimizers.Adam(1e-5)
discriminator_optimizer = tf.keras.optimizers.Adam(1e-5)

EPOCHS = 800
noise_dim = 100
num_examples_to_generate = 4seed = tf.random.normal([num_examples_to_generate, noise_dim])

@tf.function
def train_step(images):noise = tf.random.normal([BATCH_SIZE, noise_dim])with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:generated_images = generator(noise, training=True)real_output = discriminator(images, training=True)fake_output = discriminator(generated_images, training=True)gen_loss = generator_loss(fake_output)disc_loss = discriminator_loss(real_output, fake_output)gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables)gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables)generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables))

def generate_and_save_images(model, epoch, test_input):# Notice `training` is set to False.# This is so all layers run in inference mode (batchnorm).predictions = model(test_input, training=False)fig = plt.figure(figsize=(6, 6))for i in range(predictions.shape[0]):plt.subplot(2, 2, i+1)plt.imshow((predictions[i, :, :, :] + 1)/2)plt.axis('off')#    plt.savefig('image_at_epoch_{:04d}.png'.format(epoch))plt.show()

def train(dataset, epochs):for epoch in range(epochs):for image_batch in dataset:train_step(image_batch)
#            print('.', end='')
#        print()if epoch%10 == 0:generate_and_save_images(generator,epoch + 1,seed)generate_and_save_images(generator,epochs,seed)

train(image_ds, EPOCHS)

使用DCGAN生成动漫人物头像相关推荐

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 使用DCGAN生成动漫人物头像入门级实战教程
有关DCGAN实战的小例子之前已经更新过一篇,感兴趣的朋友可以点击查看 Pytorch 使用DCGAN生成MNIST手写数字入门级教程有关DCGAN的相关原理:DCGAN论文解读-----DCGA ...
pytorch学习——DCGAN——生成动漫人物头像
本文参考官方博客以及李宏毅老师讲解. 另参考https://blog.csdn.net/sunqiande88/article/details/80219842 关于其中转置卷积和卷积的问题,会另外开 ...
python 动漫卡通人物图片大全,『TensorFlow』DCGAN生成动漫人物头像_下
一.计算图效果以及实际代码实现计算图效果实际模型实现相关介绍移步我的github项目. 二.生成器与判别器设计生成器相关参量, 噪声向量z维度:100 标签向量y维度:10(如果有的话) 生 ...
『TensorFlow』DCGAN生成动漫人物头像_下
『TensorFlow』以GAN为例的神经网络类范式『cs231n』通过代码理解gan网络&tensorflow共享变量机制_上『TensorFlow』通过代码理解gan网络_中一.计算 ...
【GAN实战项目：DCGAN in Tensorflow生成动漫人物头像】代码学习
目录一.爬虫代码二.头像截取三.训练四.遇到的问题及处理方法五.生成效果 DCGAN的原理和GAN是一样的,只是把G和D换成了两个卷积神经网络(CNN).但不是直接换就可以了,DCGAN对 ...
深度学习之基于DCGAN实现动漫人物的生成
注:因为硬件原因,这次的实验并没有生成图片,但是代码应该是没有问题的,可以参考学习一下. 本次基于DCGAN实现动漫人物的生成.最终的效果可以参考大神**K同学啊**的博客.与上篇文章基于DCGAN生 ...
如何通过DCGAN实现动漫人物图像的自动生成？
深度学习领域在近几年取得了重大突破,其中大部分研究成果都基于感知技术,计算机通过模仿人类的思维方式,感知物体.识别内容.生成对抗网络的理念由Goodfellow于2014年提出的,它的发展历程只有六年 ...
基础 | 如何通过DCGAN实现动漫人物图像的自动生成？
点击上方"机器学习与生成对抗网络",关注"星标" 获取有趣.好玩的前沿干货! 文章来源:淘系技术背景基于生成对抗网络(GAN)的动漫人物生成近年来兴起的动漫 ...

使用DCGAN生成动漫人物头像

使用 D C G A N 生成动漫人物头像使用DCGAN生成动漫人物头像使用DCGAN生成动漫人物头像

使用DCGAN生成动漫人物头像相关推荐

最新文章

热门文章

使用DCGAN生成动漫人物头像

使 用 D C G A N 生 成 动 漫 人 物 头 像 使用DCGAN生成动漫人物头像 使用DCGAN生成动漫人物头像

使用DCGAN生成动漫人物头像相关推荐

最新文章

热门文章

使用 D C G A N 生成动漫人物头像使用DCGAN生成动漫人物头像使用DCGAN生成动漫人物头像