12.5. Введение в генеративно-состязательные сети 497
застревать.на.разных.препятствиях..Введение.случайной.составляющей. в.процесс.обучения.помогает.предотвратить.это..Мы.будем.вводить.случайный.компонент,.добавляя.случайный.шум.в.метки.для.дискриминатора.
.Разреженные.градиенты.могут.препятствовать.обучению.GAN..В.глубоком. обучении.разреженность.часто.является.желательным.свойством,.но.не.в.случае .с .GAN..Разреженность .градиента .могут .вызывать .операции .выбора. максимального.значения.по.соседним.элементам.(max.pooling).и.активации. relu..Вместо.выбора.максимального.значения.для.уменьшения.разрешения. я.рекомендую.увеличивать.шаг.свертки,.а.вместо.функции.активации.relu . использовать.слой.LeakyReLU..Он.напоминает.relu,.но.ослабляет.ограничение. разреженности,.допуская.небольшие.отрицательные.значения.активации.
.В .сгенерированных .изображениях .часто .наблюдаются .артефакты .типа. «шахматная.доска»,.обусловленные.неравномерным.охватом.пространства. пикселей.в.генераторе.(рис..12.21)..Для.их.устранения.мы.будем.выбирать. размер.ядра,.кратный.размеру.шага,.при.каждом.использовании.разреженных. слоев.Conv2DTranpose .или.Conv2D .в.генераторе.и.дискриминаторе.
Рис. 12.21. Артефакты типа «шахматная доска», вызванные несовпадением размеров шага и ядра, из-за чего происходит неравномерный охват пространства пикселей: одна из многих тонкостей GAN, доставляющих хлопоты
12.5.3. Получение набора данных CelebA
Загрузить.набор.данных.можно.вручную.с.веб-сайта.http://mmlab.ie.cuhk.edu.hk/ projects/CelebA.html..Если.вы.используете.Colab,.выполните.следующие.команды.—. они.загрузят.данные.с.Google.Drive.и.распакуют.их.
Листинг 12.30. Получение набора данных CelebA
|
|
Создать рабочий |
|
|
|
!mkdir celeba_gan |
|
каталог |
|
|
|
|
|
|
|
|
|
!gdown --id 1O7m1010EJjLE5QxLZiM9Fpjs7Oj6e684 -O celeba_gan/data.zip |
|
||||
!unzip -qq celeba_gan/data.zip -d celeba_gan |
|
Загрузить архив с данными |
|||
|
|||||
|
|
|
|
||
|
|
|
|
с помощью утилиты gdown |
|
|
|
Распаковать |
(по умолчанию доступна в Colab; |
||
|
|
данные |
если нет — установите ее) |
||
498 Глава 12. Генеративное глубокое обучение
После.распаковки.изображений.в.каталог.можно.превратить.каталог.image_ dataset_from_directory .в.объект.набора.данных..Так.как.нам.нужны.только. изображения.—.без.меток,.—.передадим.аргумент.label_mode=None.
Листинг 12.31. Создание объекта набора данных на основе каталога с изображениями
from tensorflow import keras
dataset = keras.utils_dataset_from_directory(
"celeba_gan", |
|
Возвращаться должны только |
|
label_mode=None, |
|
|
|
|
|
изображения, без меток |
|
image_size=(64, 64), |
|
||
|
|
||
batch_size=32, |
|
Уменьшить размеры изображений до 64 × 64, используя |
|
|
|||
smart_resize=True) |
|
|
комбинацию операций обрезки и масштабирования для сохранения |
|
|
||
|
|
|
пропорций. Нам не нужно, чтобы пропорции лиц искажались! |
Наконец,.масштабируем.значения,.представляющие.пиксели,.в.диапазон.[0–1].
Листинг 12.32. Масштабирование значений пикселей в изображениях
dataset = dataset.map(lambda x: x / 255.)
Для.вывода.выбранного.изображения.можно.использовать.следующий.код.
Листинг 12.33. Вывод на экран первого изображения
import matplotlib.pyplot as plt for x in dataset:
plt.axis("off")
plt.imshow((x.numpy() * 255).astype("int32")[0]) break
12.5.4. Дискриминатор
Теперь.перейдем.к.модели.дискриминатора,.которая.принимает.на.входе.изо- бражение-кандидат.(реальное.или.искусственное).и.относит.его.к.одному.из. двух.классов:.«подделка».или.«настоящее,.имеющееся.в.обучающем.наборе».. Одна.из.многих.проблем,.часто.возникающих.в.сетях.GAN,.—.генератор.создает. изображения,.которые.выглядят.как.шум..Одно.из.возможных.решений.—.ис- пользовать.прореживание.в.дискриминаторе,.что.мы.и.сделаем.здесь.
Листинг 12.34. Сеть дискриминатора в GAN
from tensorflow.keras import layers
discriminator = keras.Sequential(
[
500 Глава 12. Генеративное глубокое обучение
Листинг 12.35. Сеть генератора в GAN
|
|
|
|
Скрытое пространство будет |
|
|
|
|
|
|
|
|
||
|
|
|
|
состоять из 128-мерных |
|
|
|
|
|
|
|
|
||
latent_dim = 128 |
|
векторов |
Произвести такое же |
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||
generator = keras.Sequential( |
количество коэффициентов, |
Использовать |
|
|
|
|||||||||
|
|
|||||||||||||
как в слое Flatten |
слой LeakyReLU |
|
|
|
||||||||||
[ |
|
|
|
|
|
|
|
|||||||
|
|
|
|
в кодировщике |
в качестве |
|
|
|
||||||
|
|
keras.Input(shape=(latent_dim,)), |
|
|
|
|||||||||
|
|
|
Восстановить слой |
функции |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
layers.Dense(8 * 8 * 128), |
|
активации |
|
|
|
|||||||
|
|
|
Flatten кодировщика |
|
|
|
||||||||
|
|
layers.Reshape((8, 8, 128)), |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
layers.Conv2DTranspose(128, kernel_size=4, strides=2, padding="same"), |
|
|
|
|||||||||
|
|
|||||||||||||
|
|
layers.LeakyReLU(alpha=0.2), |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|||||
|
|
layers.Conv2DTranspose(256, kernel_size=4, strides=2, padding="same"), |
|
|
|
|||||||||
|
||||||||||||||
|
|
layers.LeakyReLU(alpha=0.2), |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|||||
|
|
layers.Conv2DTranspose(512, kernel_size=4, strides=2, padding="same"), |
|
|
|
|||||||||
|
|
|||||||||||||
|
|
layers.LeakyReLU(alpha=0.2), |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|||||
|
|
layers.Conv2D(3, kernel_size=5, padding="same", activation="sigmoid"), |
|
|
|
|
||||||||
|
|
|
|
|||||||||||
], |
|
|
|
|
|
|
Выход будет иметь |
|
|
|||||
|
|
name="generator", |
|
|
|
|
|
|
||||||
) |
|
|
|
|
|
|
|
|
форму (28, 28, 1) |
|
||||
|
|
|
|
|
|
|
|
|
||||||
Восстановить слой Conv2D кодировщика
Вот.сводная.информация.о.получившейся.модели.генератора:
>>> generator.summary() Model: "generator"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_1 (Dense) (None, 8192) 1056768
_________________________________________________________________
reshape (Reshape) (None, 8, 8, 128) 0
_________________________________________________________________
conv2d_transpose (Conv2DTran (None, 16, 16, 128) |
262272 |
_________________________________________________________________
leaky_re_lu_3 (LeakyReLU) (None, 16, 16, 128) 0
_________________________________________________________________
conv2d_transpose_1 (Conv2DTr (None, 32, 32, 256) |
524544 |
_________________________________________________________________
leaky_re_lu_4 (LeakyReLU) (None, 32, 32, 256) 0
_________________________________________________________________
conv2d_transpose_2 (Conv2DTr (None, 64, 64, 512) |
2097664 |
_________________________________________________________________
leaky_re_lu_5 (LeakyReLU) (None, 64, 64, 512) 0
_________________________________________________________________
conv2d_3 (Conv2D) (None, 64, 64, 3) 38403
=================================================================
Total params: 3,979,651 Trainable params: 3,979,651 Non-trainable params: 0
_________________________________________________________________