数据集

kaggle：https://www.kaggle.com/datasets/soumikrakshit/anime-faces

代码

import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
from torch.utils import data
from torchvision import transforms
import glob
from PIL import Image# glob获取全部图像的路径
imgs_path = glob.glob(r'anime-faces/*.png')# 画6张看看
# plt.figure(figsize=(12, 8))
# for i, img_path in enumerate(imgs_path[:6]):
#     img = np.array(Image.open(img_path))
#     plt.subplot(2, 3, i+1)
#     plt.imshow(img)
#     print(img.shape)
# plt.show()# GAN 输入-1，1 便于训练
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(0.5, 0.5),  # 数据减均值除方差
])# 创建数据集
class Face_dataset(data.Dataset):def __init__(self, imgs_path):self.imgs_path = imgs_pathdef __getitem__(self, index):img_path = self.imgs_path[index]pil_img = Image.open(img_path)pil_img = transform(pil_img)return pil_imgdef __len__(self):return len(self.imgs_path)dataset = Face_dataset(imgs_path)
dataloader = data.DataLoader(dataset,batch_size=32,shuffle=True)
imgs_batch = next(iter(dataloader))  # 32,3,64,64# 画出来看看
plt.figure(figsize=(12, 8))
for i, img in enumerate(imgs_batch[:6]):img = (img.permute(1, 2, 0).numpy() + 1) / 2  # 64,64,3plt.subplot(2, 3, i+1)plt.imshow(img)
plt.show()# 定义生成器，依然输入长度100的噪声
class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()self.linear1 = nn.Linear(100, 256*16*16)self.bn1 = nn.BatchNorm1d(256*16*16)self.deconv1 = nn.ConvTranspose2d(256, 128, kernel_size=(3, 3), stride=1, padding=1)self.bn2 = nn.BatchNorm2d(128)self.deconv2 = nn.ConvTranspose2d(128, 64, kernel_size=(4, 4), stride=2, padding=1)self.bn3 = nn.BatchNorm2d(64)self.deconv3 = nn.ConvTranspose2d(64, 3, kernel_size=(4, 4), stride=2, padding=1)def forward(self, x):x = F.relu(self.linear1(x))x = self.bn1(x)x = x.view(-1, 256, 16, 16)x = F.relu(self.deconv1(x))x = self.bn2(x)x = F.relu(self.deconv2(x))x = self.bn3(x)x = torch.tanh(self.deconv3(x))return x# 判别器,输入（64, 64）图片
class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=2)  # (64, 31, 31)self.conv2 = nn.Conv2d(64, 128, 3, 2)self.bn = nn.BatchNorm2d(128)  # 128 * 15 * 15self.fc = nn.Linear(128*15*15, 1)def forward(self, x):x = F.dropout2d(F.leaky_relu(self.conv1(x)), p=0.3)x = F.dropout2d(F.leaky_relu(self.conv2(x)), p=0.3)x = self.bn(x)x = x.view(-1, 128*15*15)x = torch.sigmoid(self.fc(x))return xdevice = 'cuda' if torch.cuda.is_available() else 'cpu'
if device == 'cuda':print('using cuda:', torch.cuda.get_device_name(0))
else:print(device)Gen = Generator().to(device)
Dis = Discriminator().to(device)loss_fun = nn.BCELoss()
d_optimizer = torch.optim.Adam(Dis.parameters(), lr=1e-5)  # 小技巧
g_optimizer = torch.optim.Adam(Gen.parameters(), lr=1e-4)def generate_and_save_image(model, test_input):predictions = model(test_input).permute(0, 2, 3, 1).cpu().numpy()# fig = plt.figure(figsize=(40, 80))  # 画布设置太大会导致错误for i in range(predictions.shape[0]):plt.subplot(2, 4, i+1)plt.imshow((predictions[i]+1) / 2)plt.axis('off')plt.show()test_seed = torch.randn(8, 100, device=device)
D_loss = []
G_loss = []for epoch in range(500):d_epoch_loss = 0g_epoch_loss = 0count = len(dataloader)  # 批次数for step, img in enumerate(dataloader):img = img.to(device)size = img.size(0)random_noise = torch.randn(size, 100, device=device)d_optimizer.zero_grad()real_output = Dis(img)  # 判别器输入真实图片# 判别器在真实图像上的损失d_real_loss = loss_fun(real_output,torch.ones_like(real_output))d_real_loss.backward()gen_img = Gen(random_noise)fake_output = Dis(gen_img.detach())  # 判别器输入生成图片,fake_output对生成图片的预测# gen_img是由生成器得来的，但我们现在只对判别器更新，所以要截断对Gen的更新# detach()得到了没有梯度的tensor，求导到这里就停止了，backward的时候就不会求导到Gen了d_fake_loss = loss_fun(fake_output,torch.zeros_like(fake_output))d_fake_loss.backward()d_loss = d_real_loss + d_fake_lossd_optimizer.step()# 更新生成器g_optimizer.zero_grad()fake_output = Dis(gen_img)g_loss = loss_fun(fake_output,torch.ones_like(fake_output))g_loss.backward()g_optimizer.step()with torch.no_grad():d_epoch_loss += d_loss.item()g_epoch_loss += g_loss.item()with torch.no_grad():  # 之后的内容不进行梯度的计算（图的构建）d_epoch_loss /= countg_epoch_loss /= countD_loss.append(d_epoch_loss)G_loss.append(g_epoch_loss)print('Epoch:', epoch+1)generate_and_save_image(model=Gen, test_input=test_seed)plt.plot(D_loss, label='D_loss')plt.plot(G_loss, label='G_loss')plt.legend()plt.show()

效果

跑了50轮

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 ...
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 ...
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 ...
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 ...
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 ...
基于DCGAN的动漫头像生成
基于DCGAN的动漫头像生成数据数据集:动漫图库爬虫获得,经过数据清洗,裁剪得到动漫头像.分辨率为3 * 96 * 96,共5万多张动漫头像的图片,从知乎用户何之源处下载. 生成器:输入为随机噪声 ...
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 ...

DCGAN---生成动漫头像

数据集

代码

效果

DCGAN---生成动漫头像相关推荐

最新文章

热门文章