深度学习环境:
CUDA11.2
CUDnn8.1
Anaconda4.10
python3.8
tensorflow2.6
keras2.6
一、GAN网络的运行
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_v2
import matplotlib.pyplot as plt
import sys
import os
import numpy as np
class GAN():
def __init__(self):
# --------------------------------- #
# 行28,列28,也就是mnist的shape
# --------------------------------- #
self.img_rows = 28
self.img_cols = 28
self.channels = 1
# 28,28,1
self.img_shape = (self.img_rows, self.img_cols, self.channels)
self.latent_dim = 100
# adam优化器
optimizer = adam_v2.Adam(0.0002, 0.5)
self.discriminator = self.build_discriminator()
self.discriminator.compile(loss='binary_crossentropy',
optimizer=optimizer,
metrics=['accuracy'])
self.generator = self.build_generator()
gan_input = Input(shape=(self.latent_dim,))
img = self.generator(gan_input)
# 在训练generate的时候不训练discriminator
self.discriminator.trainable = False
# 对生成的假图片进行预测
validity = self.discriminator(img)
self.combined = Model(gan_input, validity)
self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)
def build_generator(self):
# --------------------------------- #
# 生成器,输入一串随机数字
# --------------------------------- #
model = Sequential()
model.add(Dense(256, input_dim=self.latent_dim))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(512))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(1024))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(np.prod(self.img_shape), activation='tanh'))
model.add(Reshape(self.img_shape))
noise = Input(shape=(self.latent_dim,))
img = model(noise)
return Model(noise, img)
def build_discriminator(self):
# ----------------------------------- #
# 评价器,对输入进来的图片进行评价
# ----------------------------------- #
model = Sequential()
# 输入一张图片
model.add(Flatten(input_shape=self.img_shape))
model.add(Dense(512))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(256))
model.add(LeakyReLU(alpha=0.2))
# 判断真伪
model.add(Dense(1, activation='sigmoid'))
img = Input(shape=self.img_shape)
validity = model(img)
return Model(img, validity)
def train(self, epochs, batch_size=128, sample_interval=50):
# 获得数据
(X_train, _), (_, _) = mnist.load_data()
# 进行标准化
X_train = X_train / 127.5 - 1.
X_train = np.expand_dims(X_train, axis=3)
# 创建标签
valid = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))
for epoch in range(epochs):
# --------------------------- #
# 随机选取batch_size个图片
# 对discriminator进行训练
# --------------------------- #
idx = np.random.randint(0, X_train.shape[0], batch_size)
imgs = X_train[idx]
noise = np.random.normal(0, 1, (batch_size, self.latent_dim))
gen_imgs = self.generator.predict(noise)
d_loss_real = self.discriminator.train_on_batch(imgs, valid)
d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake)
d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)
# --------------------------- #
# 训练generator
# --------------------------- #
noise = np.random.normal(0, 1, (batch_size, self.latent_dim))
g_loss = self.combined.train_on_batch(noise, valid)
print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))
if epoch % sample_interval == 0:
self.sample_images(epoch)
def sample_images(self, epoch):
r, c = 5, 5
noise = np.random.normal(0, 1, (r * c, self.latent_dim))
gen_imgs = self.generator.predict(noise)
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()
if __name__ == '__main__':
if not os.path.exists("./images"):
os.makedirs("./images")
gan = GAN()
gan.train(epochs=30000, batch_size=256, sample_interval=200)
代码来自Bilibili up主Bubbliiiing提供的github仓库下载的。送你过去:Keras 搭建自己的GAN生成对抗网络平台(Bubbliiiing 深度学习 教程)_哔哩哔哩_bilibili
在problems中会有一些问题提示:
①库没有安装全,添加库就可以解决;
②导入提示错误,可能在不同的Tensorflow和Keras版本之间,有一些差别,比如:
from keras.optimizers import adam_v2
optimizer = adam_v2.Adam(0.0002, 0.5)
和
from keras.optimizers import Adam
类似这种问题在网上能够好找到解决方法。
二、运行CycleGAN
CycleGAN的代码也是在 Bubbliiiing 博主的github里面找到的,博主的B站,CSDN,github是一个名字,很好找的。
1、tensorflow显存不足
因为CycleGAN网络中包含两个生成器,两个鉴别器,所以网络参数比较多。
解决方法请查看:tensorflow出现显存不足的提示_楠仔码头的博客-CSDN博客
该博客中提到的方法:①减少batchsize,即减少了GPU内存分配需求
②如果内存比较大的话,可以切换CPU
③重置输入图片尺寸,即通过减小图片的大小来减少对显存的消耗
我尝试了第三种,把输入图片尺寸改成了64*64*3,问题能够解决,而且也因为代码中的batchsize已经是1了😅,没办法再小了。
2、Anaconda中Qt5的路径问题
博客中指出需要添加环境变量,在用户变量中新建:
输入变量名QT_QPA_PLATFORM_PLUGIN_PATH
变量值输入Anaconda安装目录下的.......plugins的路径,按照上面的路径应该能找到自己电脑上的plugins。我的就是按照上面博客中的路径找到的。
3、其他基于QT的软件的qt5的路径问题
后来,在安装了3D Slicer后,又出现了一个新问题:
然后进入3D Slicer的安装目录中,发现:
3D Slicer软件安装之后有自己的QTplugin,所以可能我们需要将这个QtPligin/platforms路径加入到环境变量中。
打开环境变量编辑:
双击打开:
在之前的变量值路径后面输入:分号,路径
变量值如: E:\DeepLearningSoftWare\InstallManager\Anaconda\pkgs\qt-5.9.7-vc14h73c81de_0\Library\plugins;D:\softwearInstall\3DSlicer\Install\Slicer 4.13.0-2022-02-07\lib\QtPlugins\platforms
就变成这样了:
然后就确定,退出就好了。
3D Slicer就打开了。
4、在安装Anconda几个月后,又出现了这个问题,可能是电脑系统的问题,因为之前系统想自动更新,更新了一半,我给阻止了。
使用了这个方法,在环境中安装了PyQt5的包
安装完成后,关掉软件,重新打开,运行程序时就好了。