深度学习之基于DCGAN实现动漫人物的生成

starlet_kiss

已于 2022-05-06 10:54:40 修改

阅读量1.9k

点赞数 2

分类专栏：机器学习文章标签：深度学习 tensorflow 神经网络 DCGAN

于 2021-08-14 12:08:54 首次发布

本文链接：https://blog.csdn.net/starlet_kiss/article/details/119698019

版权

本文介绍了基于DCGAN实现动漫人物生成的过程，包括导入库、数据预处理、生成器与判别器构建、loss值与优化器设定以及批次训练。由于硬件限制，未展示生成图片，但提供了参考学习的代码。

摘要由CSDN通过智能技术生成

注：因为硬件原因，这次的实验并没有生成图片，但是代码应该是没有问题的，可以参考学习一下。
本次基于DCGAN实现动漫人物的生成。最终的效果可以参考大神**K同学啊**的博客。与上篇文章基于DCGAN生成手写数字的步骤基本一致。

1.导入库

import tensorflow as tf
import numpy as np
import glob,imageio,os,PIL,pathlib
import matplotlib.pyplot as plt

# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

2.数据准备

data_dir = "E:/tmp/.keras/datasets/car_face_photos"
data_dir = pathlib.Path(data_dir)

pic_paths = list(data_dir.glob('*'))
pic_paths = [str(path) for path in pic_paths]
img_count = len(list(pic_paths))#共21551张图片

plt.figure(figsize=(10, 5))
plt.suptitle("数据示例", fontsize=15)

for i in range(40):
    plt.subplot(5, 8, i + 1)
    plt.xticks([])
    plt.yticks([])

    # 显示图片
    images = plt.imread(pic_paths[i])
    plt.imshow(images)

plt.show()

查看图片：
在这里插入图片描述
数据预处理：
1.归一化到[-1,1]之间
2.调整图片大小为[64,64]
3.将数据按照batch_size划分开，并打乱

#数据处理
def preprocess_image(image):
    image = tf.image.decode_jpeg(image,channels=3)
    image = tf.image.resize(image,[64,64])
    return (image - 127.5)/127.5
def load_and_preprocess_image(path):
    image = tf.io.read_file(path)
    return preprocess_image(image)

path_ds = tf.data.Dataset.from_tensor_slices(pic_paths)
image_ds = path_ds.map(load_and_preprocess_image,num_parallel_calls=tf.data.experimental.AUTOTUNE)

buffer_size = 60000
batch_size = 256
dataset = image_ds.shuffle(buffer_size).batch(batch_size)

3.生成器与判别器的构建

生成器采用tf.keras.layers.Conv2DTranspose（上采样层）从噪声数据中产生图片。以一个使用该种子作为输入的 Dense 层开始，然后多次上采样直到达到所期望的 64x64x3 的图片尺寸。
除了最后一层使用tanh作为激活函数外，其余的都采用LeakyReLU作为激活函数。

def Geberator_model():
    model = tf.keras.Sequential([])
    model.add(tf.keras.layers.Dense(4*4*1024,use_bias=False,input_shape=(100,)))
    model.add(tf.keras.layers.BatchNormalization())
    model.add(tf.keras.layers.LeakyReLU())
    model.add(tf.keras.layers.Reshape((4,4,1024)))
    assert model.output_shape == (None,4,4,1024)

    #1
    model.add(tf.keras.layers.Conv2DTranspose(512,(5,5),strides=(