<mark id="oztn4"></mark>
0
雷鋒網按：本文為 AI 研習社編譯的技術博客，原標題 Celebrity Face Generation using GANs，作者為 SHIVAM BANSAL。
翻譯 | 江舟 校對 | 吳曉曼 整理 | MY
生成式對抗網絡（GANs）是深度學習中最熱門的話題之一。生成式對抗網絡是一類用于無監督學習算法的人工算法，由兩個神經網絡組成的系統實現
生成器
鑒別器
兩個神經網絡都在零和游戲框架中相互競爭。生成式對抗網絡（GANs）是一組模型，他們基本上學習創建與其給出的輸入數據類似的合成數據。
鑒別器的任務是確定給定圖像是否看起來自然（即是來自數據集的圖像）還是看起來它是人工創建的。生成器的任務是創建與原始數據分布類似的自然外觀圖像，這些圖像看起來足夠自然以欺騙鑒別器網絡。首先給生成器一個隨機噪聲，使用它產生假圖像，然后將這些假圖像與原始圖像一起發送到鑒別器。
鑒別模型的任務是確定給定圖像看起來是自然的（來自數據集的圖像）還是人工創建的。這基本上是一個二元分類器，它采用普通卷積神經網絡（CNN）的形式。生成器的任務是創建與原始數據分布類似的自然外觀圖像。
生成器試圖蒙騙鑒別器，而鑒別器試圖不被生成器蒙騙。當模型通過交替優化訓練時，兩種方法都被改進到“假圖像與數據集圖像無”法區分的點。
生成對抗式網絡的數學方程：
我們可以認為這個方程由兩部分組成，第一部分是從原始數據分布中采樣的數據，第二部分是從噪聲數據分布中采樣的數據。
第一部分
鑒別者總是希望最大化其圖像分類的正確率。這里的圖像是從原始數據分布中采樣的，原始數據分布是真實數據本身。D（x）是顯示圖像是真實的概率，所以鑒別器總是想要最大化 D（x），因此 log（D（x））應該最大化并且在這一部分內容中必須最大化。
第二部分
'z'是隨機噪聲樣本，G（z）是使用噪聲樣本生成的圖像。這個術語的解釋和之前很相似。生成器總是希望最大化鑒別器被生成的圖像蒙騙的概率。這意味著，生成器想要最大化 D（G（z）），因此它應該最小化 1-D（G（z））也意味著（1-D（G（z）））最小化。
使用 GANs 生成名人圖像
名人圖片數據集：
CelebA 數據集是超過 200,000 個帶注釋的名人面部圖像的集合。因為在這個博客中，我只是想生成面孔所以我沒有考慮注釋。
1）獲取數據：
我創建了 helper.py 文件，你可以通過該文件下載 CelebA 數據集圖像。在運行此代碼片段時，它將下載 CelebA 數據集。（源代碼鏈接如下）。
2）預處理圖像：
由于我僅在面部圖像上工作，為獲得良好的效果所以我將其調整到 28 * 28。我裁剪了圖像中不包含圖像部分的部分。
由于生成式對抗網絡很難訓練（你可以查看此鏈接，以了解為什么生成式對抗網絡的訓練如此困難？）
為了獲得準確的結果，我們應該擁有一個良好的 GPU（4GB 或更高版本），通過運行此代碼片段，你可以了解是否使用自己的 GPU 安裝了 tensorflow。
3）模型輸入和網絡結構
我將圖像的寬，高，channel 和噪聲參數作為模型的輸入，隨后生成器也會使用它們生成假圖像。
生成器結構：
在解卷積層之后，生成器結構具有致密層和全連接層（除輸出層外每一層都有批量標準化，leaky ReLu 和 dropout）。生成器將隨機噪聲向量 z，之后把它重塑為 4D 形狀并把它傳遞給一系列上采樣層。每個上采樣層都代表一個轉置卷積運算，即反卷積運算。
所有轉置卷積的深度從 1024 一直減少到 3，它表示 RGB 彩色圖像。最后一層通過雙曲正切（tanh）函數輸出 28x28x3 張量。
鑒別器結構：
鑒別器的工作是識別哪個圖像是真實的，哪個是假的。鑒別器也是具有批量歸一化、lekeay Relu 的 4 層 CNN（輸入層除外）。鑒別器接收輸出圖像（大小為 28 * 28 * 3）并對其進行卷積。最后，鑒別器使用 Logistic Sigmoid 函數顯示用于表示圖像是真或假的輸出概率。
當鑒別器看到圖像中的差異時，它將梯度信號發送到生成器，此信號從鑒別器流向生成器。
4）生成器損失和鑒別器損失：
鑒別器從訓練圖像和生成器兩者接收圖像，因此在計算鑒別器的損失時，我們必須增加由于真實圖像和假圖像造成的損失。兩個網絡被同時訓練，所以我們需要將生成器和鑒別器都進行優化。如果圖像是真實的，我們希望從鑒別器輸出接近 1 的概率，如果圖像是假的，則輸出接近 0 的概率。
訓練和結果
......
想要繼續閱讀，請移步至我們的AI研習社社區：https://club.leiphone.com/page/TextTranslation/777
更多精彩內容盡在 AI 研習社。
不同領域包括計算機視覺，語音語義，區塊鏈，自動駕駛，數據挖掘，智能控制，編程語言等每日更新。
雷鋒網雷鋒網(公眾號：雷鋒網(公眾號：雷鋒網(公眾號：雷鋒網)))
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
