python生成手写文字图片_使用生成对抗网络(GAN)生成手写字
先放结果
这是通过GAN迭代训练30W次,耗时3小时生成的手写字图片效果,大部分的还是能看出来是数字的。
实现原理
简单说下原理,生成对抗网络需要训练两个任务,一个叫生成器,一个叫判别器,如字面意思,一个负责生成图片,一个负责判别图片,生成器不断生成新的图片,然后判别器去判断哪儿哪儿不行,生成器再不断去改进,不断的像真实的图片靠近。
这就如同一个造假团伙一样,A负责生产,B负责就鉴定,刚开始的时候,两个人都是菜鸟,A随便画了一幅画拿给B看,B说你这不行,然后A再改进,当然需要改进的不止A,随着A的改进,B也得不断提升,B需要发现更细微的差异,直至他们觉得已经没什么差异了(实际肯定还存在差异),他们便决定停止"训练",开始卖吧。
实现代码
# -*- coding: utf-8 -*-
# @author: Awesome_Tang
# @date: 2019-02-22
# @version: python2.7
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from datetime import datetime
import numpy as np
import os
import matplotlib.pyplot as plt
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
class Config:
alpha = 1e-2
drop_rate = 0.5 # 保留比例
steps = 300000 # 迭代次数
batch_size = 128 # 每批次训练样本数
epochs = 100 # 训练轮次
num_units = 128
size = 784
noise_size = 100
smooth = 0.01
learning_rate = 1e-4
print_per_step = 1000
class Gan:
def __init__(self):
print('Loading data......')
# 读取MNIST数据集
self.mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 定义占位符,真实图片和生成的图片
self.real_images = tf.placeholder(tf.float32, [None, Config.size], name='real_images')
self.noise = tf.placeholder(tf.float32, [None, Config.noise_size], name='noise')
self.drop_rate = tf.placeholder('float')
self.train_step()
def generator_graph(self, noise, n_units, out_dim, alpha, reuse=False):
with tf.variable_scope('generator', reuse=reuse):
# Hidden layer
h1 = tf.layers.dense(noise, n_units, activation=None)
# Leaky ReLU
h1 = tf.maximum(alpha * h1, h1)
h1 = tf.layers.dropout(h1, rate=self.drop_rate)
# Logits and tanh output
logits = tf.layers.dense(h1, out_dim, activation=None)
out = tf.tanh(logits)
return out
@staticmethod
def discriminator_graph(image, n_units, alpha, reuse=False):
with tf.variable_scope('discriminator', reuse=reuse):
# Hidden layer
h1 = tf.layers.dense(image, n_units, activation=None)
# Leaky ReLU
h1 = tf.maximum(alpha * h1, h1)
logits = tf.layers.dense(h1, 1, activation=None)
# out = tf.sigmoid(logits)
return logits
def net(self):
# generator
fake_image = self.generator_graph(self.noise, Config.num_units, Config.size, Config.alpha)
# discriminator
real_logits = self.discriminator_graph(self.real_images, Config.num_units, Config.alpha)
fake_logits = self.discriminator_graph(fake_image, Config.num_units, Config.alpha, reuse=True)
# discriminator的loss
# 识别真实图片
d_loss_real = tf.reduce_mean(
tf.nn.sigmoid_cross_entropy_with_logits(logits=real_logits, labels=tf.ones_like(real_logits)) * (
1 - Config.smooth))
# 识别生成的图片
d_loss_fake = tf.reduce_mean(
tf.nn.sigmoid_cross_entropy_with_logits(logits=fake_logits, labels=tf.zeros_like(fake_logits)))
# 总体loss
d_loss = tf.add(d_loss_real, d_loss_fake)
# generator的loss
g_loss = tf.reduce_mean(
tf.nn.sigmoid_cross_entropy_with_logits(logits=fake_logits, labels=tf.ones_like(fake_logits)) * (
1 - Config.smooth))
net_vars = tf.trainable_variables()
# generator中的tensor
g_vars = [var for var in net_vars if var.name.startswith("generator")]
# discriminator中的tensor
d_vars = [var for var in net_vars if var.name.startswith("discriminator")]
# optimizer
dis_optimizer = tf.train.AdamOptimizer(Config.learning_rate).minimize(d_loss, var_list=d_vars)
gen_optimizer = tf.train.AdamOptimizer(Config.learning_rate).minimize(g_loss, var_list=g_vars)
return dis_optimizer, gen_optimizer, d_loss, g_loss
def train_step(self):
dis_optimizer, gen_optimizer, d_loss, g_loss = self.net()
print('Training & Evaluating......')
start_time = datetime.now()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for step in range(Config.steps):
real_image, _ = self.mnist.train.next_batch(Config.batch_size)
real_image = real_image * 2 - 1
# generator的输入噪声
batch_noise = np.random.uniform(-1, 1, size=(Config.batch_size, Config.noise_size))
sess.run(gen_optimizer, feed_dict={self.noise: batch_noise, self.drop_rate: Config.drop_rate})
sess.run(dis_optimizer, feed_dict={self.noise: batch_noise, self.real_images: real_image})
if step % Config.print_per_step == 0:
dis_loss = sess.run(d_loss, feed_dict={self.noise: batch_noise, self.real_images: real_image})
gen_loss = sess.run(g_loss, feed_dict={self.noise: batch_noise, self.drop_rate: 1.})
end_time = datetime.now()
time_diff = (end_time - start_time).seconds
msg = 'Step {:3}k Dis_Loss:{:6.2f}, Gen_Loss:{:6.2f}, Time_Usage:{:6.2f} mins.'
print(msg.format(int(step / 1000), dis_loss, gen_loss, time_diff / 60.))
self.gen_image(sess)
def gen_image(self, sess):
sample_noise = np.random.uniform(-1, 1, size=(25, Config.noise_size))
samples = sess.run(
self.generator_graph(self.noise, Config.num_units, Config.size, Config.alpha, reuse=True),
feed_dict={self.noise: sample_noise})
plt.figure(figsize=(8, 8), dpi=80)
for i in range(25):
img = samples[i]
plt.subplot(5, 5, i + 1)
plt.imshow(img.reshape((28, 28)), cmap='Greys_r')
plt.axis('off')
plt.show()
if __name__ == "__main__":
Gan()
Peace~~
python生成手写文字图片_使用生成对抗网络(GAN)生成手写字相关推荐
- 手写文字图片识别怎么弄?这几款软件安利快收好
手写文字一直以来都是一种独特而个人化的表达方式.然而,在数字化时代,我们常常需要将手写文字转化为可编辑的文本,以便进一步编辑.分享或存档. 那么,图片的手写文字如何识别呢?现代技术的进步使得这一任务变 ...
- 哪些手写文字图片识别软件好用?分享这三款好用的软件
在大学毕业季中,我们需要完成一份重要的论文著作,常常需要查阅大量文献资料.有些历史性资料是手写的图片资料,这给查阅和文献引用造成了一定的障碍.这时候,我们可以使用软件将手写图片资料识别成电子档,那你知 ...
- 以下这些识别手写文字图片的软件你都知道吗
最近我身体不舒服去看中医了,但是医生开的药方居然是手写的,我想保存下来,下次再开同样的药都没办法,因为我看不懂他写的字.要是有个软件可以识别手写文字图片就好了. 于是我在网上找了找,果然被我找到了三个 ...
- 2020-4-22 深度学习笔记20 - 深度生成模型 5 (有向生成网络--sigmoid信念网络/可微生成器网络/变分自编码器VAE/生产对抗网络GAN/生成矩匹配网络)
第二十章 深度生成模型 Deep Generative Models 中文 英文 2020-4-17 深度学习笔记20 - 深度生成模型 1 (玻尔兹曼机,受限玻尔兹曼机RBM) 2020-4-18 ...
- (五)使用生成对抗网络 (GAN)生成新的时装设计
目录 介绍 预测新时尚形象的力量 构建GAN 初始化GAN参数和加载数据 从头开始构建生成器 从头开始构建鉴别器 初始化GAN的损失和优化器 下一步 下载源 - 120.7 MB 介绍 DeepFas ...
- 生成式对抗网络GAN生成手写数字
GAN(Generative Adversarial Networks)是较为火热的一种神经网络,具有较多的优势和特点. 一.GAN 1. 原理 源自于零和博弈(zero-sum game),包括生成 ...
- 生成对抗网络(GAN)——MNIST手写数字生成
前言 正文 一.什么是GAN 二.GAN的应用 三.GAN的网络模型 对抗生成手写数字 一.引入必要的库 一.引入必要的库 二.进行准备工作 三.定义生成器和判别器模型 四.设置损失函数和优化器,以及 ...
- 手写文字识别java_java 手写文字图片识别提取 百度API
package org.fh.util; import org.json.JSONObject; import java.io.BufferedReader; import java.io.Input ...
- 手写识别ocr java,OCR 指的是手写文字技术_学小易找答案
[判断题]双人舞中的动作必须是两个人一模一样的.( ) [单选题]____________________ engaged in the sale of products using marketin ...
最新文章
- 为什么脚本执行一行就不动了_Centos7 批量创建用户账号脚本
- faster-rcnn处理图片格式
- return 返回值的问题
- 子空间:群论的角度解释无监督深度学习
- Codeforces Round #592 (Div. 2) G. Running in Pairs 构造(水)
- 黑盒测试 白盒测试 题 1
- 曼昆经济学原理(微经部分)笔记整理
- jQuery file upload测试
- CoDeSys开发经验总结
- 生成Bernese格式的地球自转参数文件-POLUPD
- java gui 文本框_【Java GUI】文本框和文本区
- 把大写数字转换成阿拉伯数字后排序
- python 计算gdp_菜鸟笔记Python3——数据可视化(三)世界GDP分析
- 计算机毕业设计Java影片租赁系统(系统+程序+mysql数据库+Lw文档)
- VGA与DVI接口以及HDMI
- orm查询方式与优化
- 想要彻底掌握placement各种技巧,这个一定可以如你所愿
- python用泰勒级数计算圆周率_Python中利用进度条求圆周率
- 蓝桥杯练习算法题(矩形切割成正方形)
- opencv轮廓相关函数