用DGAN生成mnist图片以及动漫头像图片

最新推荐文章于 2024-11-23 15:04:44 发布
最新推荐文章于 2024-11-23 15:04:44 发布
阅读量2.4k 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习 机器学习 人工智能
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/weixin_44268857/article/details/122508071
版权

第一次接触GAN的时候就觉得这个东西十分的妙~
生成mnist图片跟生成动漫头像的代码大同小异，那么接下来就主要讲生成DGAN生成动漫头像。

一 . 数据集

数据集链接：
链接：https://pan.baidu.com/s/1evXwE7DmAJ0wKXw96Ojj_w
提取码：liao
在这里插入图片描述
关于数据处理，因为一开始网上找的图片的名字太长，不太方便后面后续做数据集，就统一修改了一下图片名字。
然后就是自己定义自己的数据集

  1. 生成txt文件，里面包含图片路径，以及对应的标签，由于GAN是无监督的，所以我就把全部图片标签都设置为1
    在这里插入图片描述

  2. 然后就是定义自己的数据集啦
    在这里插入图片描述
    在这里插入图片描述

二. 网络结构设计

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
训练代码
在这里插入图片描述

三. 结果

只跑了22次，跑不动了/(ㄒoㄒ)/~~，多跑几次效果应该会更好吧
在这里插入图片描述
关于为什么生成图片是23个，并且拼接在一起？
因为调用的save_image函数会调用make_grid函数进行拼接，一行默认8个
之所以是23个，是因为每一次迭代，都会随机取128(这里我设置的是128)个小批数据，而一共有51223个数据，这里取的最后一批，51223%128的余数是23，因此是23个图片。

全代码链接
https://gitee.com/LiaoTing2333/GAN.git

Python 实现1-DGAN生成对抗网络的数据生成
参考资料请自行甄别 资源下载请先试读页面内容 观看内容概要 确认具体需求后再下载 亦或联系博主本人 不提供代码调试服务 加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢
12-08 937
1-DGAN的优势在于它能够通过学习数据的潜在分布，生成与真实数据相似的一维数据，在许多实际应用场景中具有巨大的潜力。通过对生成器和判别器的优化设计，我们成功地训练了模型，并实现了高质量的一维数据生成，验证了GAN模型在处理一维数据时的强大能力。这些问题在一定程度上影响了训练的效率和生成数据的质量，但通过合理的网络设计和优化策略，我们成功克服了这些困难，最终得到了具有实际应用价值的生成模型。生成器的任务是从随机噪声中生成数据，判别器的任务是区分输入数据是真实的还是由生成器生成的。
pytorch代码实践--DGAN
qq_41950261的博客
12-25 956
导入包，加载数据 import torchvision.utils as vutils from __future__ import division from torchvision import models, transforms from PIL import Image import argparse import torch import torchvision import torch.nn as nn import numpy as np import matplotlib.pyplo
GAN.rar 生成动漫头像的可运行代码含数据集
09-17
生成动漫头像的可运行代码，可自主训练，内含已训练出的模型和五万张动漫图像数据集
D-GAN:Autonomous Driving using Generative Adersarial Networks
林小川的博客
10-08 515
论文：https://cameronfabbri.github.io/papers/gtav.pdf 摘要： 论文提出了一个框架用来直接学习一系列克隆动作数据的策略，论文在探索环境时，奖励函数 R 是未知的。通常来说，强化学习通过提取奖励 R 来探索环境来学习策略，论文跳过了这一步骤，直接学习人类的动作行为，进而使得学习到的策略和人的行为无差异。论文将主要的试验点放在无人驾驶环境中，论文提出，...
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
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，wgan对抗生成网络二次元头像训练数据集
07-05
龙龙老师教程gan，wgan 280M训练数据集，二次元头像，一共280M，原来的baidupan里的失效了。
Python 实现1-DGAN生成对抗网络的数据生成（含完整的程序和代码详解）
12-07
主要内容包括：1-DGAN的基本原理、项目背景与意义、核心技术架构、生成器和判别器的设计、训练过程、损失函数设计、模型评估方法、多指标评估、防止过拟合的策略、超参数调整方法以及精美GUI界面的实现。项目通过...
Python 实现1-DGAN生成对抗网络的数据生成（含模型描述及示例代码）
最新发布
02-16
内容概要：本文介绍了利用Python实现1-DGAN生成对抗网络的技术细节以及其实用价值。首先详细阐述了GAN的工作原理——一种由生成器和判别器组成的深度学习架构，然后深入解析了为何1-DGAN特别适配一维数据分析的需求...
MATLAB实现1-DGAN生成对抗网络的数据生成（含完整的程序和代码详解）
10-18
内容概要：本文档介绍了一个使用MATLAB实现的1-DGAN（一维生成对抗网络）项目，旨在生成一维数据序列（如时间序列）。该项目包含生成器和判别器两部分，通过交替训练使生成器能够生成与真实数据相似的合成数据。项目...
D-GAN用于时空预测的深度生成对抗网络
zuiyishihefang的博客
04-13 3018
1文章信息《D-GAN: Deep Generative Adversarial Nets for SpatioTemporal Prediction》2摘要出租车需求、交通流、区域降雨等...
D 型 GaN HEMT 在功率转换方面的优势
lucy15302751079的博客
11-23 1592
图 1：p-GaN 栅极 e 模式和 d 模式 GaN HEMT 器件的简化横截面图（Transphorm）人们尝试了不同的方法，通过对栅极内部或周围进行修改，将 d 模式器件转换为 e 模式。造成这种情况的一个重要因素是 p-GaN e 模式器件的跨导随温度的变化而大幅降低，如图 5 所示。图 4： d 模式和 e 模式 GaN HEMT 器件中AV t与通道 2DEG 薄层电阻的关系（Transphorm）p-GaN 栅极 e 模式和共源共栅 d 模式 GaN HEMT 器件之间的跨导温度响应比较。
DCGAN代码解析--上手调试
Yuetian_w的博客
09-27 773
今天我们将对GAN领域中经典的论文DCGAN做一个简单的解析。
DCGAN——菜鸟系列 model.py
qq_40240102的博客
01-09 2585
参考 [1] DGAN代码简读 https://www.colabug.com/2958322.html [2]基于DCGAN的动漫头像生成神经网络实现 https://blog.csdn.net/sinat_33741547/article/details/77871170 [3] batch norm原理及代码详解 博客： https://blog.csdn.net/qq_257...
生成式AI系列 —— DCGAN生成手写数字
qq_43456016的博客
08-20 888
【代码】生成式AI系列 —— DCGAN生成手写数字。
GAN及其重要变种CGAN、DCGAN
liu1073811240的博客
11-14 3706
文章目录一、什么是GAN？二、原始GAN1. GAN的基本框架2.原始GAN的核心思想3.GAN的原理4.损失函数5.GAN的训练6.GAN的优点7.GAN的缺点8.GAN的应用三：CGAN四：DCGAN1.网络结构2.DCGAN网络结构设计要点3.DCGAN训练细节 一、什么是GAN？        GAN(Generative Adversarial Networks), 生成式对抗神经网络，是一种基于无监督学习方法的生成类模型
基于pytorch的DCGAN代码实现（DCGAN基本原理+代码讲解）
热门推荐
weixin_48335963的博客
05-08 1万+
DCGAN原理 Deep Convolution Generative Adversarial Networks(深度卷积生成对抗网络) DCGAN是将CNN 与 GAN 结合，原理与GAN一样，只是将G和D换成两个卷积神经网络（CNN），DCGAN将CNN做了一些改变，为提高样本质量和收敛速度。 ·strided convolution 替代确定性的pooling(从而可以让网络自己学习downsampling(下采样) 。G 网络中使用微步幅度卷积（fractionally strided convol
生成对抗网络（DCGAN）手写数字生成
weixin_45822638的博客
11-30 1397
语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1卷积神经网络（CNN）实现mnist手写数字识别卷积神经网络（CNN）多种图片分类的实现卷积神经网络（CNN）衣服图像分类的实现卷积神经网络（CNN）鲜花识别卷积神经网络（CNN）天气识别卷积神经网络（VGG-16）识别海贼王草帽一伙卷积神经网络（ResNet-50）鸟类识别卷积神经网络（AlexNet）鸟类识别卷积神经网络(CNN)识别验证码。
DCGAN理论讲解及代码实现
weixin_51781852的博客
07-19 1万+
DCGAN也叫深度卷积生成对抗网络，DCGAN就是将CNN与GAN结合在一起，生成模型和判别模型都运用了深度卷积神经网络的生成对抗网络。 DCGAN将GAN与CNN相结合，奠定了之后几乎所有GAN的基本网络架构。DCGAN极大地提升了原始GAN训练的稳定性以及生成结果的质量...
生成对抗网络 1dGAN
02-12
### 关于1D生成对抗网络(1dGAN) #### 概念 生成对抗网络(GAN)是一种用于建模复杂分布的强大工具，其核心在于两个神经网络之间的博弈过程——一个是试图创建逼真数据样本的生成器；另一个是尝试区分真实与伪造样本的判别器。对于特定的一维数据集，比如时间序列或是音频片段等线性结构化信息，则发展出了专门化的变体即1D-GAN[^2]。 这种类型的GAN专注于处理并合成具有单一维度特性的输入向量，在保持原有特性的同时能够创造出新的但又符合统计规律的时间序列表达形式或其他连续型变量集合。 #### 实现 为了实现1D-GAN, 需要构建合适的架构来适应一维数据的特点： - **生成器**: 接受随机噪声作为输入，并输出模拟目标域内实际观测到的概率密度函数形状的一系列数值点。 - **判别器**: 输入既可以是从现实世界采集得到的真实案例也可以是由前述模块制造出来的假象实例; 输出则是一个介于0至1之间表示置信度水平的比例值用来评估给定条目属于哪一类的可能性大小。 下面给出一段简单的MATLAB代码框架用于搭建基础版1D GAN: ```matlab % 定义超参数 latent_dim = 100; n_epochs = 20000; % 构造生成器模型 generator = [ fullyconnectableLayer(latent_dim, 'Name', 'fc1'); reluLayer('Name','relu1'); fullyConnectableLayer(output_size,'Name','out')]; % 创建判别器模型 discriminator = [ fullyConnectableLayer(input_size, 'Name', 'in'); leakyReluLayer(0.2,'Name','lrelu1'); fullyConnectableLayer(1,'Name','score')]; % 训练循环... for epoch=1:n_epochs % ...省略具体细节... end ``` 此段伪代码仅展示了如何定义两者的层结构而不涉及完整的训练逻辑[^1]。 #### 应用 1D-GAN的应用场景广泛存在于多个领域之中，尤其是在那些涉及到长时间跨度记录或者周期性强变化模式识别的任务里表现尤为突出： - **金融预测**：利用历史股价走势来进行未来趋势预估； - **医疗健康监测**：分析心电图(ECG)/脑电波(EEG)信号帮助诊断疾病状态； - **语音合成**：创造自然流畅的人声朗读文本内容； - **物理仿真**：加速计算流体力学(CFD)等问题求解速度。
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