快捷導(dǎo)航

使用TensorFlow創(chuàng)建生成式對抗網(wǎng)絡(luò)GAN案例

更新時(shí)間：2023年03月29日 15:56:19 作者：italks

這篇文章主要為大家介紹了使用TensorFlow創(chuàng)建生成式對抗網(wǎng)絡(luò)GAN案例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

導(dǎo)入必要的庫和模塊

以下是使用TensorFlow創(chuàng)建一個(gè)生成式對抗網(wǎng)絡(luò)（GAN）的案例：首先，我們需要導(dǎo)入必要的庫和模塊：

import tensorflow as tf
from tensorflow.keras import layers
import matplotlib.pyplot as plt
import numpy as np

然后，我們定義生成器和鑒別器模型。生成器模型將隨機(jī)噪聲作為輸入，并輸出偽造的圖像。鑒別器模型則將圖像作為輸入，并輸出一個(gè)0到1之間的概率值，表示輸入圖像是真實(shí)圖像的概率。

# 定義生成器模型
def make_generator_model():
    model = tf.keras.Sequential()
    model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())
    model.add(layers.Reshape((7, 7, 256)))
    assert model.output_shape == (None, 7, 7, 256) 
    model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
    assert model.output_shape == (None, 7, 7, 128)
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())
    model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
    assert model.output_shape == (None, 14, 14, 64)
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())
    model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
    assert model.output_shape == (None, 28, 28, 1)
    return model
# 定義鑒別器模型
def make_discriminator_model():
    model = tf.keras.Sequential()
    model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same',
                                     input_shape=[28, 28, 1]))
    model.add(layers.LeakyReLU())
    model.add(layers.Dropout(0.3))
    model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
    model.add(layers.LeakyReLU())
    model.add(layers.Dropout(0.3))
    model.add(layers.Flatten())
    model.add(layers.Dense(1))
    return model

接下來，我們定義損失函數(shù)和優(yōu)化器。生成器和鑒別器都有自己的損失函數(shù)和優(yōu)化器。

# 定義鑒別器損失函數(shù)
cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)
def discriminator_loss(real_output, fake_output):
    real_loss = cross_entropy(tf.ones_like(real_output), real_output)
    fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)
    total_loss = real_loss + fake_loss
    return total_loss
# 定義生成器損失函數(shù)
def generator_loss(fake_output):
    return cross_entropy(tf.ones_like(fake_output), fake_output)
# 定義優(yōu)化器
generator_optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator_optimizer = tf.keras.optimizers.Adam(1e-4)

定義訓(xùn)練循環(huán)

在每個(gè)epoch中，我們將隨機(jī)生成一組噪聲作為輸入，并使用生成器生成偽造圖像。然后，我們將真實(shí)圖像和偽造圖像一起傳遞給鑒別器，計(jì)算鑒別器和生成器的損失函數(shù)，并使用優(yōu)化器更新模型參數(shù)。

# 定義訓(xùn)練循環(huán)
@tf.function
def train_step(images):
    noise = tf.random.normal([BATCH_SIZE, 100])
    with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:
        generated_images = generator(noise, training=True)
        real_output = discriminator(images, training=True)
        fake_output = discriminator(generated_images, training=True)
        gen_loss = generator_loss(fake_output)
        disc_loss = discriminator_loss(real_output, fake_output)
    gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables)
    gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables)
    generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))
    discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables))

最后定義主函數(shù)

加載MNIST數(shù)據(jù)集并訓(xùn)練模型。

# 加載數(shù)據(jù)集
(train_images, train_labels), (_, _) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
train_images = (train_images - 127.5) / 127.5  # 將像素值歸一化到[-1, 1]之間
BUFFER_SIZE = 60000
BATCH_SIZE = 256
train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
# 創(chuàng)建生成器和鑒別器模型
generator = make_generator_model()
discriminator = make_discriminator_model()
# 訓(xùn)練模型
EPOCHS = 100
noise_dim = 100
num_examples_to_generate = 16
# 用于可視化生成的圖像
seed = tf.random.normal([num_examples_to_generate, noise_dim])
for epoch in range(EPOCHS):
    for image_batch in train_dataset:
        train_step(image_batch)
    # 每個(gè)epoch結(jié)束后生成一些圖像并可視化
    generated_images = generator(seed, training=False)
    fig = plt.figure(figsize=(4, 4))
    for i in range(generated_images.shape[0]):
        plt.subplot(4, 4, i+1)
        plt.imshow(generated_images[i, :, :, 0] * 127.5 + 127.5, cmap='gray')
        plt.axis('off')
    plt.show()

這個(gè)案例使用了TensorFlow的高級API，可以幫助我們更快速地創(chuàng)建和訓(xùn)練GAN模型。在實(shí)際應(yīng)用中，可能需要根據(jù)不同的數(shù)據(jù)集和任務(wù)進(jìn)行調(diào)整和優(yōu)化。

以上就是使用TensorFlow創(chuàng)建生成式對抗網(wǎng)絡(luò)GAN案例的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow生成式對抗網(wǎng)絡(luò)的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: