DCGAN生成二次元头像实战，Anime Faces数据集下载

一、数据

下载地址1 CSDN 0积分下载：https://download.csdn.net/download/sdbyp/87586295
下载地址2 Kaggle：https://www.kaggle.com/datasets/soumikrakshit/anime-faces

二、实现代码

import glob
import torch
from PIL import Image
from torch import nn
from torch.utils import data
from torchvision import transforms
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as npimages_path = glob.glob('./data/anime-faces/*.png')transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))
])class FaceDataset(data.Dataset):def __init__(self, images_path):self.images_path = images_pathdef __getitem__(self, index):image_path = self.images_path[index]pil_img = Image.open(image_path)pil_img = transform(pil_img)return pil_imgdef __len__(self):return len(self.images_path)BATCH_SIZE = 32
dataset = FaceDataset(images_path)
data_loader = data.DataLoader(dataset, batch_size=BATCH_SIZE, shuffle=True)
image_batch = next(iter(data_loader))# 定义生成器
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, padding=1)  # 输出：128*16*16self.bn2 = nn.BatchNorm2d(128)self.deconv2 = nn.ConvTranspose2d(128, 64, kernel_size=4, stride=2, padding=1)  # 输出：64*32*32self.bn3 = nn.BatchNorm2d(64)self.deconv3 = nn.ConvTranspose2d(64, 3, kernel_size=4, stride=2, padding=1)  # 输出：3*64*64def 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 = F.tanh(self.deconv3(x))return x# 定义判别器
class Discrimination(nn.Module):def __init__(self):super(Discrimination, self).__init__()self.conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=2)  # 64*31*31self.conv2 = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=2)  # 128*15*15self.bn1 = nn.BatchNorm2d(128)self.fc = nn.Linear(128*15*15, 1)def forward(self, x):x = F.dropout(F.leaky_relu(self.conv1(x)), p=0.3)x = F.dropout(F.leaky_relu(self.conv2(x)), p=0.3)x = self.bn1(x)x = x.view(-1, 128*15*15)x = torch.sigmoid(self.fc(x))return xdevice = "cuda:0" if torch.cuda.is_available() else "cpu"
print(device)
gen = Generator().to(device)
dis = Discrimination().to(device)
loss_fn = torch.nn.BCELoss()
gen_opti = torch.optim.Adam(gen.parameters(), lr=0.0001)
dis_opti = torch.optim.Adam(dis.parameters(), lr=0.00001)# 定义可视化函数
def generate_and_save_images(model, epoch, test_noise_):predictions = model(test_noise_).permute(0, 2, 3, 1).cpu().numpy()fig = plt.figure(figsize=(20, 160))for i in range(predictions.shape[0]):plt.subplot(1, 8, i+1)plt.imshow((predictions[i]+1)/2)# plt.axis('off')plt.show()test_noise = torch.randn(8, 100, device=device)#############################
D_loss = []
G_loss = []# 开始训练
for epoch in range(500):D_epoch_loss = 0G_epoch_loss = 0batch_count = len(data_loader)   # 返回批次数for step, img, in enumerate(data_loader):img = img.to(device)size = img.shape[0]random_noise = torch.randn(size, 100, device=device)  # 生成随机输入# 固定生成器，训练判别器dis_opti.zero_grad()real_output = dis(img)d_real_loss = loss_fn(real_output, torch.ones_like(real_output, device=device))d_real_loss.backward()generated_img = gen(random_noise)# print(generated_img)fake_output = dis(generated_img.detach())d_fake_loss = loss_fn(fake_output, torch.zeros_like(fake_output, device=device))d_fake_loss.backward()dis_loss = d_real_loss + d_fake_lossdis_opti.step()# 固定判别器，训练生成器gen_opti.zero_grad()fake_output = dis(generated_img)gen_loss = loss_fn(fake_output, torch.ones_like(fake_output, device=device))gen_loss.backward()gen_opti.step()with torch.no_grad():D_epoch_loss += dis_loss.item()G_epoch_loss += gen_loss.item()with torch.no_grad():D_epoch_loss /= batch_countG_epoch_loss /= batch_countD_loss.append(D_epoch_loss)G_loss.append(G_epoch_loss)print("Epoch:", epoch)generate_and_save_images(gen, epoch, test_noise)plt.plot(range(1, len(D_loss)+1), D_loss, label="D_loss")
plt.plot(range(1, len(D_loss)+1), G_loss, label="G_loss")
plt.xlabel('epoch')
plt.legend()
plt.show()

三、截图结果

epoch0

epoch20

epoch40

epoch60

epoch80

epoch89

DCGAN生成二次元头像实战，Anime Faces数据集下载相关推荐

DCGAN生成二次元头像（Pytorch）
任务:基于Pytorch搭建DCGAN网络进行训练自动生成二次元头像的模型文章目录简介网络介绍代码详解实验结果参考简介好久没发Blog了,发个Pytorch的入门项目一起happy下~ ...
DCGAN 生成二次元头像
8. DCGAN 2019/11/10 GAN, 又称生成对抗网络, 也是 Generative Adversarial Nets 的简称我们知道自然界的生物无时无刻都不在相互对抗进化,生物 ...
【机器学习PAI实战】—— 玩转人工智能之利用GAN自动生成二次元头像...
模型训练与在线预测服务.推荐算法四部曲.机器学习PAI实战.更多精彩,尽在开发者分会场 [机器学习PAI实战]-- 玩转人工智能之综述 [机器学习PAI实战]-- 玩转人工智能之商品价格预测 [机器 ...
【机器学习PAI实战】—— 玩转人工智能之利用GAN自动生成二次元头像
前言深度学习作为人工智能的重要手段,迎来了爆发,在NLP.CV.物联网.无人机等多个领域都发挥了非常重要的作用.最近几年,各种深度学习算法层出不穷, Generative Adverarial Ne ...
【菜鸟窝免费视频】如何生成数字、人脸和二次元美少女头像（AI生成二次元头像）
阿里百度人工智能大神精讲的人工智能视频课程,领取地址:https://www.cniao5.com/course/10239 或欢迎勾搭运营小姐姐(微信 id:BT474849)免费领取63讲精品机器 ...
pytorch实现GAN（生成对抗网络）生成二次元头像（附代码）
目录 GAN基本概念 GAN算法流程代码实现与讲解 1.准备数据集代码实现定义鉴别器定义生成器训练补充附完整代码参考链接及书目 GAN基本概念 GAN, 全称Generative Ad ...
【MindSpore】DCGAN生成漫画头像-----利用华为云modelarts云终端实现
前言本人对于 mindspore 一点也不熟悉但是对于学习新事物的心情和动力一直都很澎湃本次参加 mindSpore 的 DCGAN生成漫画头像社区活动,希望能够增长见识关注证明图 ...
Mindspore体验dcgan生成漫画头像
第一章 MindSpore框架的体验与部署第二章Mindspore体验dcgan生成漫画头像目录前言一.官方文档二.使用体验 1.下载notebook并打开 GAN基础原理 DCGAN原理 ...
华为开源自研AI框架昇思MindSpore应用实践：DCGAN生成漫画头像
目录一.原理说明 1.GAN基础原理 2.DCGAN原理二.环境准备 1.进入ModelArts官网 2.使用CodeLab体验Notebook实例三.数据准备与处理 1.数据处理四.创建网络 ...

DCGAN生成二次元头像实战，Anime Faces数据集下载

一、数据

二、实现代码

三、截图结果

DCGAN生成二次元头像实战，Anime Faces数据集下载相关推荐

最新文章

热门文章