【Keras-DCGAN】MNIST / CIFAR-10

最新推荐文章于 2022-04-03 13:12:22 发布
最新推荐文章于 2022-04-03 13:12:22 发布
阅读量1.9k 收藏 10
点赞数 3
分类专栏： PyTorch/Keras/Caffe/TensroFlow 文章标签： GAN MLP CNN CIFAR-10
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/bryant_meng/article/details/81210656
版权

原文
在这里插入图片描述
本博客是 One Day One GAN [DAY 2] 的 learning notes！GAN 是用 CNN 搭建的！！！

DCGAN：《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》
把 GAN 中的 MLP 换成了 CNN，应用在人脸生成中！

文章目录

1 GAN 的介绍

有关 GAN 的介绍可以参考 【Keras-MLP-GAN】MNIST，更多有关 GAN 的小实验，可以参考 【Programming】 中的 3.5 小节！

2 DCGAN for MNIST

在这里插入图片描述

2.1 导入必要的库

from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adam

import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('Agg')
import sys

import numpy as np

2.2 搭建 generator

输入 100 维的 noisy，输出 （28，28，1）的图片

100 → 128*7*7 reshape 成（7，7，128）→上采样（14，14，128）→ conv（14，14，128）→上采样（28，28，128）→ conv（28，28，64）→ conv（28，28，1）

# build_generator(self)
model = Sequential()

model.add(Dense(128 * 7 * 7, activation="relu", input_dim=100)) # 7,7,128
model.add(Reshape((7, 7, 128)))

model.add(UpSampling2D()) # 14,14,128

model.add(Conv2D(128, kernel_size=3, padding="same"))
model.add(BatchNormalization(momentum=0.8))
model.add(Activation("relu"))

model.add(UpSampling2D()) # 28,28,128

model.add(Conv2D(64, kernel_size=3, padding="same")) 
model.add(BatchNormalization(momentum=0.8))
model.add(Activation("relu"))

model.add(Conv2D(1, kernel_size=3, padding="same"))
model.add(Activation("tanh"))

model.summary()

noise = Input(shape=(100,))
img = model(noise)        
        
generator = Model(noise, img)

output

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 6272)              633472    
_________________________________________________________________
reshape_1 (Reshape)          (None, 7, 7, 128)         0         
_________________________________________________________________
up_sampling2d_1 (UpSampling2 (None, 14, 14, 128)       0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 14, 14, 128)       147584    
_________________________________________________________________
batch_normalization_1 (Batch (None, 14, 14, 128)       512       
_________________________________________________________________
activation_1 (Activation)    (None, 14, 14, 128)       0         
_________________________________________________________________
up_sampling2d_2 (UpSampling2 (None, 28, 28, 128)       0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 28, 28, 64)        73792     
_________________________________________________________________
batch_normalization_2 (Batch (None, 28, 28, 64)        256       
_________________________________________________________________
activation_2 (Activation)    (None, 28, 28, 64)        0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 28, 28, 1)         577       
_________________________________________________________________
activation_3 (Activation)    (None, 28, 28, 1)         0         
=================================================================
Total params: 856,193
Trainable params: 855,809
Non-trainable params: 384
_________________________________________________________________

2.3 搭建 discriminator

输入（28，28，1），输出概率值
（28，28，1）→ conv（14，14，32）→ conv（7，7，64）→ padding （8，8，64）→ conv（4，4，128）→ conv（4，4，256）→ flatten 4*4*256 → 1

# build_discriminator
model = Sequential()

model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=(28,28,1), padding="same")) # 14,14,32
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))  # 7,7,64
model.add(ZeroPadding2D(padding=((0,1),(0,1)))) # 8,8,64
model.add(BatchNormalization(momentum=0.8))
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Conv2D(128, kernel_size=3, strides=2, padding="same")) # 4,4,128
model.add(BatchNormalization(momentum=0.8))
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Conv2D(256, kernel_size=3, strides=1, padding="same")) # 4,4,256
model.add(BatchNormalization(momentum=0.8))
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Flatten()) # 4*4*256
model.add(Dense(1, activation='sigmoid'))

model.summary()

img = Input(shape=(28,28,1)) # 输入 （28，28，1）
validity = model(img) # 输出二分类结果

discriminator = Model(img, validity)

output

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_4 (Conv2D)            (None, 14, 14, 32)        320       
_________________________________________________________________
leaky_re_lu_1 (LeakyReLU)    (None, 14, 14, 32)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 14, 14, 32)        0         
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 7, 7, 64)          18496     
_________________________________________________________________
zero_padding2d_1 (ZeroPaddin (None, 8, 8, 64)          0         
_________________________________________________________________
batch_normalization_3 (Batch (None, 8, 8, 64)          256       
_________________________________________________________________
leaky_re_lu_2 (LeakyReLU)    (None, 8, 8, 64)          0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 8, 8, 64)          0         
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 4, 4, 128)         73856     
_________________________________________________________________
batch_normalization_4 (Batch (None, 4, 4, 128)         512       
_________________________________________________________________
leaky_re_lu_3 (LeakyReLU)    (None, 4, 4, 128)         0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 4, 4, 128)         0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 4, 4, 256)         295168    
_________________________________________________________________
batch_normalization_5 (Batch (None, 4, 4, 256)         1024      
_________________________________________________________________
leaky_re_lu_4 (LeakyReLU)    (None, 4, 4, 256)         0         
_________________________________________________________________
dropout_4 (Dropout)          (None, 4, 4, 256)         0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4096)              0         
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 4097      
=================================================================
Total params: 393,729
Trainable params: 392,833
Non-trainable params: 896
_________________________________________________________________

2.4 compile 模型，对学习过程进行配置

optimizer = Adam(0.0002, 0.5)

# discriminator
discriminator.compile(loss='binary_crossentropy',
                      optimizer=optimizer,
                      metrics=['accuracy'])


# The combined model  (stacked generator and discriminator)
z = Input(shape=(100,))
img = generator(z)
validity = discriminator(img)
# For the combined model we will only train the generator
discriminator.trainable = False

# Trains the generator to fool the discriminator
combined = Model(z, validity)
combined.summary()
combined.compile(loss='binary_crossentropy', 
                 optimizer=optimizer)

output

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_3 (InputLayer)         (None, 100)               0         
_________________________________________________________________
model_1 (Model)              (None, 28, 28, 1)         856193    
_________________________________________________________________
model_2 (Model)              (None, 1)                 393729    
=================================================================
Total params: 1,249,922
Trainable params: 855,809
Non-trainable params: 394,113
_________________________________________________________________

2.5 保存生成的图片

def sample_images(epoch):
    r, c = 5, 5
    noise = np.random.normal(0, 1, (r * c, 100))
    gen_imgs = generator.predict(noise)

    # Rescale images 0 - 1
    gen_imgs = 0.5 * gen_imgs + 0.5

    fig, axs = plt.subplots(r, c)
    cnt = 0
    for i in range(r):
        for j in range(c):
            axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
            axs[i,j].axis('off')
            cnt += 1
    fig.savefig("images/%d.png" % epoch)
    plt.close()

2.6 训练

batch_size = 32
sample_interval = 50
# Load the dataset
(X_train, _), (_, _) = mnist.load_data() # (60000,28,28)
# Rescale -1 to 1
X_train = X_train / 127.5 - 1.
X_train = np.expand_dims(X_train, axis=3)  # (60000,28,28,1)
# Adversarial ground truths
valid = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))

for epoch in range(4001):
    # ---------------------
    #  Train Discriminator
    # ---------------------

    # Select a random batch of images
    idx = np.random.randint(0, X_train.shape[0], batch_size) # 0-60000 中随机抽  
    imgs = X_train[idx]
    noise = np.random.normal(0, 1, (batch_size, 100))# 生成标准的高斯分布噪声

    # Generate a batch of new images
    gen_imgs = generator.predict(noise)

    # Train the discriminator
    d_loss_real = discriminator.train_on_batch(imgs, valid) #真实数据对应标签１
    d_loss_fake = discriminator.train_on_batch(gen_imgs, fake) #生成的数据对应标签０
    d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

    # ---------------------
    #  Train Generator
    # ---------------------
    noise = np.random.normal(0, 1, (batch_size, 100))

    # Train the generator (to have the discriminator label samples as valid)
    g_loss = combined.train_on_batch(noise, valid)

    # Plot the progress
    if epoch % 50==0:
        print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))

    # If at save interval => save generated image samples
    if epoch % sample_interval == 0:
        sample_images(epoch)

每隔 50 iteration 打印一次结果，保存一次图片（代码中的 epoch 理解为 iteration）
output

0 [D loss: 1.110515, acc.: 34.38%] [G loss: 0.947779]
50 [D loss: 0.857457, acc.: 56.25%] [G loss: 1.294673]
100 [D loss: 0.849929, acc.: 48.44%] [G loss: 1.071479]
………………
3900 [D loss: 0.715688, acc.: 56.25%] [G loss: 1.014293]
3950 [D loss: 0.772328, acc.: 45.31%] [G loss: 1.014349]
4000 [D loss: 0.596769, acc.: 71.88%] [G loss: 1.198742]

2.7 结果展示

iteration 0
在这里插入图片描述

iteration 50
在这里插入图片描述

iteration 100
在这里插入图片描述

iteration 3900
在这里插入图片描述

iteration 3950
在这里插入图片描述

iteration 4000
在这里插入图片描述

3 DCGAN for CIFAR-10

哈哈，用这套代码改改输入玩玩 cifar-10 看看，MNIST 图片是（28，28，1），cifar 则是（32，32，3）

3.1 导入必要的库

这里要导入 cifar10

from keras.datasets import cifar10
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adam

import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('Agg')
import sys

import numpy as np

3.2 搭建 generator

注意 feature map 的 size 即可

# build_generator(self)
model = Sequential()

model.add(Dense(128 * 8 * 8, activation="relu", input_dim=100)) # 8,8,128
model.add(Reshape((8, 8, 128)))

model.add(UpSampling2D()) # 16,16,128

model.add(Conv2D(128, kernel_size=3, padding="same"))
model.add(BatchNormalization(momentum=0.8))
model.add(Activation("relu"))

model.add(UpSampling2D()) # 32,32,128

model.add(Conv2D(64, kernel_size=3, padding="same")) 
model.add(BatchNormalization(momentum=0.8))
model.add(Activation("relu"))

model.add(Conv2D(3, kernel_size=3, padding="same"))
model.add(Activation("tanh"))

model.summary()

noise = Input(shape=(100,))
img = model(noise)        
        
generator = Model(noise, img)

output

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 8192)              827392    
_________________________________________________________________
reshape_1 (Reshape)          (None, 8, 8, 128)         0         
_________________________________________________________________
up_sampling2d_1 (UpSampling2 (None, 16, 16, 128)       0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 16, 16, 128)       147584    
_________________________________________________________________
batch_normalization_1 (Batch (None, 16, 16, 128)       512       
_________________________________________________________________
activation_1 (Activation)    (None, 16, 16, 128)       0         
_________________________________________________________________
up_sampling2d_2 (UpSampling2 (None, 32, 32, 128)       0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 32, 32, 64)        73792     
_________________________________________________________________
batch_normalization_2 (Batch (None, 32, 32, 64)        256       
_________________________________________________________________
activation_2 (Activation)    (None, 32, 32, 64)        0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 32, 32, 3)         1731      
_________________________________________________________________
activation_3 (Activation)    (None, 32, 32, 3)         0         
=================================================================
Total params: 1,051,267
Trainable params: 1,050,883
Non-trainable params: 384
_________________________________________________________________

3.3 搭建 discriminator

注意输入的改变即可

# build_discriminator
model = Sequential()

model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=(32,32,3), padding="same")) # 16,16,32
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))  # 8,8,64
model.add(BatchNormalization(momentum=0.8))
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Conv2D(128, kernel_size=3, strides=2, padding="same")) # 4,4,128
model.add(BatchNormalization(momentum=0.8))
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Conv2D(256, kernel_size=3, strides=1, padding="same")) # 4,4,256
model.add(BatchNormalization(momentum=0.8))
model.add(LeakyReLU(alpha=0.2))
model.add(Dropout(0.25))

model.add(Flatten()) # 4*4*256
model.add(Dense(1, activation='sigmoid'))

model.summary()

img = Input(shape=(32,32,3)) # 输入 （28，28，1）
validity = model(img) # 输出二分类结果

discriminator = Model(img, validity)

output

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_4 (Conv2D)            (None, 16, 16, 32)        896       
_________________________________________________________________
leaky_re_lu_1 (LeakyReLU)    (None, 16, 16, 32)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 16, 16, 32)        0         
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 8, 8, 64)          18496     
_________________________________________________________________
batch_normalization_3 (Batch (None, 8, 8, 64)          256       
_________________________________________________________________
leaky_re_lu_2 (LeakyReLU)    (None, 8, 8, 64)          0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 8, 8, 64)          0         
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 4, 4, 128)         73856     
_________________________________________________________________
batch_normalization_4 (Batch (None, 4, 4, 128)         512       
_________________________________________________________________
leaky_re_lu_3 (LeakyReLU)    (None, 4, 4, 128)         0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 4, 4, 128)         0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 4, 4, 256)         295168    
_________________________________________________________________
batch_normalization_5 (Batch (None, 4, 4, 256)         1024      
_________________________________________________________________
leaky_re_lu_4 (LeakyReLU)    (None, 4, 4, 256)         0         
_________________________________________________________________
dropout_4 (Dropout)          (None, 4, 4, 256)         0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4096)              0         
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 4097      
=================================================================
Total params: 394,305
Trainable params: 393,409
Non-trainable params: 896
_________________________________________________________________

3.4 compile 模型，对学习过程进行配置

optimizer = Adam(0.0002, 0.5)

# discriminator
discriminator.compile(loss='binary_crossentropy',
                      optimizer=optimizer,
                      metrics=['accuracy'])


# The combined model  (stacked generator and discriminator)
z = Input(shape=(100,))
img = generator(z)
validity = discriminator(img)
# For the combined model we will only train the generator
discriminator.trainable = False

# Trains the generator to fool the discriminator
combined = Model(z, validity)
combined.summary()
combined.compile(loss='binary_crossentropy', 
                 optimizer=optimizer)

output

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_3 (InputLayer)         (None, 100)               0         
_________________________________________________________________
model_1 (Model)              (None, 32, 32, 3)         1051267   
_________________________________________________________________
model_2 (Model)              (None, 1)                 394305    
=================================================================
Total params: 1,445,572
Trainable params: 1,050,883
Non-trainable params: 394,689
_________________________________________________________________

3.5 保存生成的图片

这里要注意修改一下，因为 MNIST 产生的是黑白，CIFAR-10 则产生的是彩色

def sample_images(epoch):
    r, c = 5, 5
    noise = np.random.normal(0, 1, (r * c, 100))
    gen_imgs = generator.predict(noise)

    # Rescale images 0 - 1
    gen_imgs = (0.5 * gen_imgs + 0.5)

    fig, axs = plt.subplots(r, c)
    cnt = 0
    for i in range(r):
        for j in range(c):
            axs[i,j].imshow(gen_imgs[cnt, :,:,:])# 注意这里的改变
            axs[i,j].axis('off')
            cnt += 1
    fig.savefig("images/%d.png" % epoch)
    plt.close()

3.6 训练

训练 50001 个 iteration，每 500 个 iteration 输出一次结果

batch_size = 32
sample_interval = 500
# Load the dataset
(X_train,_),(_,_)=cifar10.load_data()#(50000, 32, 32, 3)
# Rescale -1 to 1
X_train = X_train / 127.5 - 1.
# Adversarial ground truths
valid = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))

for epoch in range(50001):
    # ---------------------
    #  Train Discriminator
    # ---------------------

    # Select a random batch of images
    idx = np.random.randint(0, X_train.shape[0], batch_size) # 0-60000 中随机抽  
    imgs = X_train[idx]
    noise = np.random.normal(0, 1, (batch_size, 100))# 生成标准的高斯分布噪声

    # Generate a batch of new images
    gen_imgs = generator.predict(noise)

    # Train the discriminator
    d_loss_real = discriminator.train_on_batch(imgs, valid) #真实数据对应标签１
    d_loss_fake = discriminator.train_on_batch(gen_imgs, fake) #生成的数据对应标签０
    d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

    # ---------------------
    #  Train Generator
    # ---------------------
    noise = np.random.normal(0, 1, (batch_size, 100))

    # Train the generator (to have the discriminator label samples as valid)
    g_loss = combined.train_on_batch(noise, valid)

    # Plot the progress
    if epoch % 500==0:
        print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))

    # If at save interval => save generated image samples
    if epoch % sample_interval == 0:
        sample_images(epoch)

output

0 [D loss: 1.069107, acc.: 43.75%] [G loss: 0.424518]
500 [D loss: 0.858720, acc.: 45.31%] [G loss: 1.105853]
1000 [D loss: 0.807555, acc.: 46.88%] [G loss: 0.961553]
……
49000 [D loss: 0.835431, acc.: 35.94%] [G loss: 0.684724]
49500 [D loss: 0.745767, acc.: 48.44%] [G loss: 0.881849]
50000 [D loss: 0.651077, acc.: 57.81%] [G loss: 0.958367]

3.7 结果展示

iteration 0
在这里插入图片描述
iteration 500
在这里插入图片描述

iteration 1000
在这里插入图片描述

iteration 49000
在这里插入图片描述

iteration 49500
在这里插入图片描述

iteration 50000在这里插入图片描述

bryant_meng
关注
专栏目录
机器学习笔记 - 机器学习/深度学习实战案例合集
学以致用 知行合一
06-05 1734
案例1、使用opencv的DNN模块调用caffe的GoogLeNet图像分类模型 案例2、使用Opencv的DNN模块调用Tensorflow的mobilenet对象检测模型 案例3、基于tensorflow2.0的手写数字识别，并导出pb模型供OpenCV的C++版本的DNN模块调用 案例4、基于OpenCV图像处理和手写数字识别进行数独求解 案例5、自定义数据集 + 标准前馈神经网络分类进行训练 案例6、自定义数据集 + 卷积神经网络分类进行训练 案例7、使用Opencv的DNN模块调用Caffe的人
DCGAN生成cifar10的图片
Devil_B的博客
03-21 1170
DCGAN（Deep Convolutional GAN）： DCGAN的贡献 提出了一类基于卷积神经网络的GANs，称为DCGAN，它在多数情况下训练是稳定的。 与其他非监督方法相比，DCGAN的discriminator提取到的图像特征更有效，更适合用于图像分类任务。 通过训练，DCGAN能学到有意义的 filters。 DCGAN的generator能够保持latentspace到image的“连续性”。 DCGAN model 实际上，DCGAN是一类GAN的简称，满足以下设计要求（这些要求更像
DCGAN生成cifar10, cifar100, mnist, fashion_mnist,STL10,Anime图片（pytorch）
stay_zezo的博客
04-15 4024
下面的代码时是用DCGAN生成#选择cifar10, cifar100, mnist, fashion_mnist,STL10,Anime图片 Anime数据请在https://www.kaggle.com/CooperUnion/anime-recommendations-database下载，其他数据都是pytorch自带，在线下载即可 目录情况： DCGAN3的目录情况 generated_fake目录： 有的模型已经训练，有的没有，如果提示模型文件不存在，请将resume.
DCGAN基于深度卷积生成对抗网络的实例 ——CIFAR-10图像的生成
weixin_43585712的博客
07-16 3362
代码摘要： 1.读取数据 2.搭建鉴别网络和生成网络 3.初始化网络的权重值 4.训练鉴别网络和生成网络（时间大概需要几个小时） root路径可以自己设置 "分批读取CIFAR-10图片并将部分批次保存为图片文件" from torch.utils.data import DataLoader from torchvision.datasets import CIFAR10 im...
keras DCGAN mnist数据
nlite827109223的博客
05-05 747
1.  keras 的 mnist.load_data() 因为网页连接无法使用，数据无法下载可以从mnist网站上直接下载nist.pkl.gz文件，然后再 处理import pickle import gzip def load_data(): with gzip.open('mnist/mnist.pkl.gz','rb') as fp: training_data...
tensorflow学习笔记（十一）：DCGAN生成手写体数字（MNIST）
ch18328071580的博客
08-07 2117
本文讲解了DCGAN的基本原理，然后讲解了DCGAN常用的函数，最后给出了程序代码。
generative_adversarial_networks_101：生成对抗网络的Keras实现。 具有MNIST和CIFAR-10数据集的GAN，DCGAN，CGAN，CCGAN，WGAN和LSGAN模型
02-03
在这个项目中，我们将深入探讨GANs的基础及其在Keras框架中的实现，包括对MNIST和CIFAR-10数据集的应用。 首先，我们要理解GAN的基本结构，它由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器...
wasserstein-gan:Wasserstein GAN纸的PyTorch实现
05-18
注意：DCGAN最初是使用Keras 1实现的，并迁移到了Keras 2。 Jupyter笔记本 火炬 LSUN卧室数据集 用于下载和预处理LSUN LMDB数据的脚本 火炬 CIFAR10 凯拉斯2 MNIST 预训练模型 PyTorch权重文件： 生成的图像样本 ...
DCGAN:TensorFlow的DCGAN教程的实现
03-18
4. `dataset.py`：加载和预处理数据集，例如MNIST或CIFAR-10。 通过运行`train.py`，就可以开始训练DCGAN模型。训练过程中，可能会使用`tensorboard`进行可视化，观察损失函数的变化以及生成图像的质量。 总的来说...
Keras深度学习与神经网络.7z
最新发布
05-30
3. 实战案例：如MNIST手写数字识别或CIFAR-10图像分类。 六、循环神经网络（RNN）与LSTM 1. RNN与LSTM结构：RNN的时间序列处理能力，以及LSTM解决长期依赖问题的方法。 2. 应用场景：如文本生成、情感分析、语音...
dcgan_mnist（对抗学习）
03-14
提供详细的对抗学习的python程序，并提供具体实例验证，
dcgan-keras:这是一个dcgan-keras的源码，可以用于训练自己的模型
05-11
DCGAN：Deep Convolutional Generative Adversarial Networks模型在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 为了验证模型的有效性，我使用了花的例子进行了训练。 训练好的生成器与判别器模型、可以通过百度网盘下载或者通过GITHUB下载 权值的百度网盘地址如下： 链接: 提取码: qegk 花的数据集可以通过百度网盘下载： 链接: 提取码: sdup 预测步骤 a、使用预训练权重 下载完库后解压，直接运行predict.py，在终端点击enter，即可生成图片，生成图片位于根目录的predict_1x1_results.png，predict_5x5_results.png。 b、使用自己训练的权重 按照训练步骤训练。 在dcgan.py文件里面，在如下部分修改
keras实现cifar-10图片分类
02-23
基于keras深度学习框架，应用卷积神经网络CNN实现cifar-10图片分类
keras-dcgan：深度卷积生成对抗网络的Keras实现
02-05
KERAS-DCGAN 具有（awesome） 库的实现，用于通过深度学习生成人工图像。 这将在真实图像上训练两个对抗性深度学习模型，以产生看起来真实的人工图像。 生成器模型尝试生成看起来真实的图像，并从鉴别器中获得高分。 鉴别器模型试图区分生成器的真实图像和人工图像。 这假设theano排序。 您仍然可以通过在〜/ .keras / keras.json中设置“ image_dim_ordering”：“ th”与tensorflow一起使用（尽管这样做会更慢）。 用法 训练： python dcgan.py --mode train --batch_size <batch_si
17种GAN变体的Keras实现请收好
04-19
GANs的各种实现GANs的各种实现GANs的各种实现GANs的各种实现GANs的各种实现
DCGAN+keras生成mnist
行走的小菜头
01-01 433
ÿan
GAN学习记录（二）——DCGAN的构建生成MNIST数据集
yunlong_G的博客
04-29 1773
深度卷积生成对抗网络DCGAN 在上一次的学习中，我们搭建了一个朴素GAN，只利用了全连接网络，在训练了20000epoch后已经可以生成比较不错的手写数据集了，如果把生成器和判别器网络换成更强大的网络会是不是会有更好的效果呢？DCGAN引入了卷积神经网络，使用卷积神经网络进行生成器和判别器的构造，结构与朴素GAN基本相同，所以不过多介绍了，下面是搭建过程。 # 导入包 %matplotlib inline import numpy as np import matplotlib.pyplot as plt
Pytorch 使用DCGAN生成MNIST手写数字 入门级教程
l love CV
04-03 4574
DCGAN实战，入门级别的深度卷积生成对抗网络实战，利用MNIST手写数据集进行生成手写数字。加深对相关原理的理解，并对比了与基础GAN的异同点
keras DCGAN
lsh呵呵
11-01 3930
训练结果： 代码： 代码基于 https://github.com/eriklindernoren/Keras-GAN/blob/master/dcgan/dcgan.py ，并修改了 易于混淆的代码。 from keras.datasets import mnist from keras.layers import Input, Dense, Reshape, Flatten, Dropo...
dcgan-pytorch官方源码在哪里下载
06-19
### 回答1： dcgan-pytorch是一种基于深度学习的生成对抗网络，并使用PyTorch实现。如果您想要下载官方源码，可以前往PyTorch官方GitHub页面。在GitHub上搜索“dcgan-pytorch”并进入相应页面，您可以看到源代码和相关文档。通过该代码，您可以了解到dcgan-pytorch的实现细节以及如何使用它来生成新的图像。此外，如果您有其他与PyTorch相关的问题，该GitHub页面也会给您提供更多的参考资源以及相关文档和教程。总的来说，通过下载和查看dcgan-pytorch官方源码，您可以更好地理解深度学习的一些底层原理，进一步提高编程技能和应用能力。 ### 回答2： dcgan-pytorch是一种用于生成对抗网络（GAN）的模型，可以用于生成各种图像和视频，具有广泛的应用前景。该模型的官方源码可以在以下网站上下载： 1. GitHub：dcgan-pytorch的官方开源代码托管在GitHub上，用户可以在该网站上下载源码，并且还可以参与开源社区的贡献。 2. PyTorch官网：PyTorch是一种深度学习框架，dcgan-pytorch是其官方提供的模型之一。在PyTorch官网上，用户可以下载dcgan-pytorch的官方源码，并且可以获取最新的更新和技术支持。 3. AI Hub：AI Hub是一个面向机器学习和深度学习开发者的社区和开发平台，提供了丰富的技术资源和工具。在AI Hub上，用户可以下载dcgan-pytorch的官方源码，并且还可以分享自己的经验和技术博客。 总之，dcgan-pytorch的官方源码可以在各种开发社区和官方网站上下载，用户可以选择适合自己的方式获取，并且可以利用这些资源学习和开发更高效的机器学习和深度学习模型。 ### 回答3： dcgan-pytorch是一种基于PyTorch框架的深度卷积生成对抗网络模型。在GitHub上可以找到它的官方源代码。具体操作步骤如下： 1. 打开GitHub官网，搜索dcgan-pytorch。 2. 进入搜索结果中的dcgan-pytorch仓库页面。 3. 在仓库页面上可以看到源代码和相关文档。 4. 点击“Clone or download”按钮以下载源代码。 使用dcgan-pytorch可以生成高质量的图像，它不仅可以应用于图像生成和转换领域，还可以用于涉及到图像的各种人工智能任务中，例如图像识别、图像分割和目标检测等方面。对于开发者和研究人员来说，下载dcgan-pytorch官方源码可以快速理解模型原理，修改代码来实现自己感兴趣的图片生成任务。
评论
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