(tensorflow学习) DCGAN 动漫头像生成

最新推荐文章于 2024-07-18 22:24:28 发布
最新推荐文章于 2024-07-18 22:24:28 发布
阅读量3.1k 收藏 18
点赞数 2
分类专栏： tensorflow 深度学习 文章标签： tensorflow dcgan 动漫头像生成 gan
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Isaac320/article/details/103835460
版权

训练过程

数据收集

训练DCGAN生成动漫头像，首先需要大量的训练数据

可以用python写个爬虫去https://konachan.net/爬动漫图片，

然后用https://github.com/nagadomi/lbpcascade_animeface 这个程序截取动漫人物头像

然后手动清洗数据，把不符合的删掉，我总共获得了14000+的头像，这里分辨率已经都压缩成128*128的。

我都准备好了这些，在百度盘里

链接：https://pan.baidu.com/s/1FKjaDitzGzaY73cDw1xx2g 
提取码：kuq3

训练数据

       总共训练了300个epoch，10个小时(我用gtx1060跑的，每个epoch要2分钟)

       需要调好超参数，不然容易模式坍塌。

以下各个损失情况

生成器损失 （假图进判别器判定为真）                                          总损失（判别器总损失，即下面损失两个相加）   

 

真图损失 （真图进判别器判定为真）                                          假图损失（假图进判别器判定为假）

我这边在训练到200个epoch后的时候出现了模式崩塌，图1可以看出，生成器损失突然变得很高。

1-10-30-40-50-60epoch 如下图，一路向更好的方向发展

...

...

从213往后，就坍塌了，后面所有人脸会向同一张变过去

212

213

214

215

216

...

...

...

296

我尝试着降低学习率，从200代开始继续训练，没多久依旧出现同样的情况。

但用213代的模型用来做生成动漫头像还不错。

OK

玩这种gan真是太耗时了哎。。

源码改日整理下

 

Isaac320
关注
  • 2
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
第G2周：人脸图像生成（DCGAN）
Oaix的博客
07-21 768
第G2周：人脸图像生成（DCGAN）
DCGAN生成动漫头像
fksfdh的博客
10-16 5956
from __future__ import print_function #%matplotlib inline import argparse import os import random import torch import torch.nn as nn import torch.nn.parallel import torch.backends.cudnn as cudnn import torch.optim as optim import torch.utils.data import to
DCGAN:TensorFlow的DCGAN教程的实现
03-18
DCGAN:TensorFlow的DCGAN教程的实现
基于TensorFlow实现DCGAN 自动生成图片.zip
03-27
人工智能-深度学习-tensorflow
生成式之DCGAN生成漫画头像
最新发布
查拉图斯特拉talk的博客
07-18 274
使用DCGAN（深度卷积生成对抗网络）生成动漫头像图片。包括数据准备与处理、生成器网络结构、判别器网络结构、损失函数和优化器设置、模型训练过程以及最终生成的动漫头像图片展示。
『TensorFlow』DCGAN生成动漫人物头像_下
weixin_34150503的博客
02-02 964
『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...
使用TensorFlow2.0搭建DCGAN生成动漫头像（内含生成过程GIF图）
YonminMa的博客
02-01 8237
本文介绍深度卷积对抗神经网络，并使用tensorflow2.0版本搭建，实现计算机生成动漫头像，最终效果可与真实图像媲美。
Mindspore体验dcgan生成漫画头像
beimingiq314的博客
11-26 6476
在第一篇中我们实现了昇思平台的安装与初体验，这一次我们可以进行对它深入的了解与尝试。想要了解安装部署的同学请去看我的第一篇哈。本文对通过昇思框架实现对抗神经网络实现动漫头像识别以及会遇到的问题进行了简单的介绍。最后自己生成的动漫头像也是非常的有意义，值得一试。欢迎大家加入昇思社区，一起讨论昇思框架的许许多多，构建昇思大家庭！
DCGAN---生成动漫头像
qq_45882032的博客
04-20 924
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
DCGAN：生成动漫头像
陈建驱的博客
11-20 1022
个人博客：http://www.chenjianqu.com/ 原文链接：http://www.chenjianqu.com/show-55.html 上一篇博文《生成对抗网络(GAN)原理和实现》介绍了GAN的原理和实现了GAN最原始的算法，今天这篇博客写一下读DCGAN论文所做的笔记，并基于网上的tensorflow开源代码实现DCGANs的动漫头像的生成。 论文笔记...
初探DCGAN，TensorFlow2.0实现动漫头像生成
qq_36100926的博客
03-16 584
今天第一次用tensorflow2.0做demo，参考原文链接 from __future__ import print_function, division from tensorflow.keras.layers import Input, Dense, Reshape, Dropout from tensorflow.keras.layers import BatchNormalization, Activation, GlobalAveragePooling2D, Flatten fro.
【tensorflow-WGAN】生成二次元人物头像
09-28
使用Wgan生成二次元人物头像，train部分代码写的不全，自己根据需求补就行了，数据就使用李宏毅网课上提供的数据，太大了上传不了，网络使用的是DenseNet
动漫头像数据集
10-24
是一个动漫头像的数据集，可以利用GAN来训练学习。如Tensorflow中的DCGAN
GAN动漫头像数据集
11-19
5W张96*96的日本动漫头像，用于GAN生成对抗模型的训练。 https://blog.csdn.net/bu_fo/article/details/109800054
基于keras使用dcgan自动生成动漫头像.zip
04-03
在本项目中，我们将深入探讨如何使用Keras库和深度卷积生成对抗网络（DCGAN）来创建自动生成的动漫头像。Keras是一个高级神经网络API，它构建在TensorFlow、Theano和CNTK等后端之上，使得深度学习模型的开发变得更加...
DCGAN生成动漫头像【学习】
qq_35498453的博客
06-16 1432
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tensorflow-gpu，运行过程中发现GPU显存占满电脑特别卡的问题，参考这篇文章（tensorflow使用GPU训练时的显存占用问题）加了几行代码，解决了GPU显存占满卡死的问题。 具体所加代码如下： from tensorflow.compat.v1 import ConfigProto from te
深度卷积生成对抗网络DCGAN之实现动漫头像的生成(基于keras Tensorflow2.0实现)
nyz5211314的博客
05-22 6047
起飞目录DCGAN简介反卷积(上采样upsampling2D)数据集代码实战数据导入和预处理生成器G判别器D训练模块完整代码结果 DCGAN简介 原始GAN在图片生成方面具有一定的缺陷：存在训练不稳定，训练过程中梯度易消失等一系列问题。 而DCGAN(Deep Convolutional Generative Adeversarial Networks)深度卷积生成对抗网络，最主要是在原始GAN的基础上加入了卷积和反卷积(上采样)的操作，而CNN卷积神经网络在处理和提取图片特征的工作中具有明显的先天优势，所
如何通过DCGAN实现动漫人物图像的自动生成？
tt8889的博客
05-03 2473
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，却对人工智领域带来了极大的冲击。 GAN的博弈过程，就是使用生成器制造的数据分布来拟合真实的数据分布。设置是一个生成动漫图片的网络，接收一个随机的噪声，生成动漫图片并输出。设置为判别网络，输入一张动漫图片，判别器可以计算出该图为生成的或真实图片的概率。两者分别根据返回的结果反向更新网络，相互抗衡，动态变化最后
基于DCGAN的动漫头像生成
weixin_44485421的博客
08-03 2209
利用pytorch的基于DCGAN的动漫头像生成
使用Tensorflow实现DCGAN来生成手写数字的详细代码
06-11
好的，以下是使用Tensorflow实现DCGAN生成手写数字的详细代码： 首先，我们需要导入必要的库和数据集。这里我们使用Tensorflow自带的MNIST数据集。 ```python import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/") ``` 接下来，我们定义生成器和判别器的网络结构。生成器的输入是一个随机噪声，输出是一张28x28的手写数字图片。判别器的输入是一张28x28的手写数字图片，输出是一个判别得分，表示这张图片是真实图片的概率。 ```python def generator(z, reuse=None): with tf.variable_scope('gen', reuse=reuse): hidden1 = tf.layers.dense(inputs=z, units=128, activation=tf.nn.leaky_relu) hidden2 = tf.layers.dense(inputs=hidden1, units=256, activation=tf.nn.leaky_relu) output = tf.layers.dense(inputs=hidden2, units=784, activation=tf.nn.tanh) return output def discriminator(X, reuse=None): with tf.variable_scope('dis', reuse=reuse): hidden1 = tf.layers.dense(inputs=X, units=128, activation=tf.nn.leaky_relu) hidden2 = tf.layers.dense(inputs=hidden1, units=256, activation=tf.nn.leaky_relu) logits = tf.layers.dense(inputs=hidden2, units=1) output = tf.sigmoid(logits) return output, logits ``` 然后，我们定义生成器和判别器的输入和损失函数。其中，生成器的损失函数是生成的假图片与真实图片的差异，判别器的损失函数是真实图片和假图片的区分度。 ```python real_images = tf.placeholder(tf.float32, shape=[None, 784]) z = tf.placeholder(tf.float32, shape=[None, 100]) G = generator(z) D_output_real, D_logits_real = discriminator(real_images) D_output_fake, D_logits_fake = discriminator(G, reuse=True) def loss_func(logits_in, labels_in): return tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=logits_in, labels=labels_in)) D_real_loss = loss_func(D_logits_real, tf.ones_like(D_logits_real) * 0.9) D_fake_loss = loss_func(D_logits_fake, tf.zeros_like(D_logits_fake)) D_loss = D_real_loss + D_fake_loss G_loss = loss_func(D_logits_fake, tf.ones_like(D_logits_fake)) ``` 接下来，我们定义生成器和判别器的优化器，并且训练模型。 ```python lr = 0.001 tvars = tf.trainable_variables() d_vars = [var for var in tvars if 'dis' in var.name] g_vars = [var for var in tvars if 'gen' in var.name] D_trainer = tf.train.AdamOptimizer(lr).minimize(D_loss, var_list=d_vars) G_trainer = tf.train.AdamOptimizer(lr).minimize(G_loss, var_list=g_vars) batch_size = 100 epochs = 100 init = tf.global_variables_initializer() samples = [] with tf.Session() as sess: sess.run(init) for epoch in range(epochs): num_batches = mnist.train.num_examples // batch_size for i in range(num_batches): batch = mnist.train.next_batch(batch_size) batch_images = batch[0].reshape((batch_size, 784)) batch_images = batch_images * 2 - 1 batch_z = np.random.uniform(-1, 1, size=(batch_size, 100)) _ = sess.run(D_trainer, feed_dict={real_images: batch_images, z: batch_z}) _ = sess.run(G_trainer, feed_dict={z: batch_z}) print("Epoch:", epoch) sample_z = np.random.uniform(-1, 1, size=(1, 100)) gen_sample = sess.run(generator(z, reuse=True),feed_dict={z: sample_z}) samples.append(gen_sample) plt.imshow(samples[0].reshape(28,28)) plt.show() ``` 最后，我们可以看到生成的手写数字图片。随着训练的迭代次数增加，生成的图片会越来越真实。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值