DCGAN生成动漫头像（附代码）

DCGAN。顾名思义，就是深度卷积生成对抗神经网络，也就是引入了卷积的，但是它用的是反卷积，就是卷积的反操作。

我们看看DCGAN的图：

生成器开始输入的是噪声数据，然后经过一个全连接层，再把全连接层的输出reshape，然后经过反卷积，

判别器就是卷积层，最后一个全连接层，用sigmoid激活函数。

DCGAN注意事项：

生成器的全部激活函数用relu，除了最后一层用tanh函数

判别器的激活函数都是LeakyRelu，最后一层是sigmoid、

生成器和判别器都是用BN层，

在判别器中只需要一层全连接层用于最后的分类，不要接太多，一个就好

训练的时候需要将原始输入图像resize到[-1,1]

生成器最后一层不使用BN层，判别器第一层不使用BN层

然后将下DCGAN的网络结构：

首先是生成网络：

第一层：全连接层，输出神经元个数64×8×图像长×图像宽，这个地方的长和宽是要原始图片反推过来的，然后reshape成[batch_size,图像长,图像宽,64×8],然后接着relu激活函数

第二层：反卷积层(deconv),卷积核大小[5,5],步长2,权重使用高斯分布，同时权重的初始化标准差stddev=0.02，输出通道数64×4，后面接BN层，然后使用relu作为激活函数

第三层：也是反卷积层，参数和上面的一样，输出通道数是64×2，也是BN加relu

第四层：也是反卷积层，参数和上面的一样，输出通道数是64×1，也是BN加relu

第五层：反卷积层，输出通道数为3,后面接relu(没有BN层)

判别器：

第一层：卷积层，卷积核大小：[5,5],权重初始化使用高斯分布，标准差为 stddev=0.02，输出的通道数为64,然后接LeakyRelu，相当于tf.maximum(x*0.2,x),使用斜率为0.2，没有BN层

第二层：卷积层，卷积核大小：[5,5],权重初始化使用高斯分布，标准差为stddev=0.02，输出的通道数为64×2,然后接BN层，然后是LeakyRelu，相当于tf.maximum(x*0.2,x),使用斜率为0.2

第三层：卷积层，卷积核大小：[5,5],权重初始化使用高斯分布，标准差为stddev=0.02，输出的通道数为64×4,然后接BN层，BN层后面是LeakyRelu，相当于tf.maximum(x*0.2,x),使用斜率为0.2

第四层：卷积层，卷积核大小：[5,5],权重初始化使用高斯分布，标准差为 stddev=0.02，输出的通道数为64×8,然后接BN层，BN层后面是LeakyRelu，相当于tf.maximum(x*0.2,x),使用斜率为0.2

然后是将第四层的输出reshape，拉平，

第五层：全连接层，输出神经元个数1,卷积核大小：[5,5],权重初始化使用高斯分布，标准差为stddev=0.02，

然后看我实现的代码：

导入相关的库

import matplotlib.pyplot as plt
import tensorflow as tf
from scipy import misc
import os
import numpy as np
%matplotlib inline

这个是显示图片，方便训练过程中查看

def vis_img(batch_size,samples):fig,axes = plt.subplots(figsize=(7,7),nrows=8,ncols=8,sharey=True,sharex=True)for ax,img in zip(axes.flatten(),samples[batch_size]):#print(img.shape)ax.xaxis.set_visible(False)ax.yaxis.set_visible(False)im = ax.imshow(img.reshape((32, 32,3)), cmap='Greys_r')plt.show()return fig, axes

得到batch

import os
from scipy import misc
import numpy as np
def read_img(path):img = misc.imresize(misc.imread(path),size=[32,32])return imgdef get_batch(path,batch_size):img_list = [os.path.join(path,i) for i in os.listdir(path)]n_batchs = len(img_list)//batch_sizeimg_list = img_list[:n_batchs*batch_size]for ii in range(n_batchs):tmp_img_list = img_list[ii*batch_size:(ii+1)*batch_size]img_batch = np.zeros(shape=[batch_size, 32, 32, 3])for jj,img in enumerate(tmp_img_list):img_batch[jj] = read_img(img)yield img_batch

构建生成网络

def generator(inputs,stddev=0.02,alpha=0.2,name='generator',reuse=False):with tf.variable_scope(name,reuse=reuse) as scope:fc1 = tf.layers.dense(gen_input,64*8*6*6,name='fc1')re1 = tf.reshape(fc1, (-1, 6, 6, 512),name='reshape')bn1 = tf.layers.batch_normalization(re1,name='bn1')#ac1 = tf.maximum(alpha * bn1, bn1,name='ac1')ac1 = tf.nn.relu(bn1,name='ac1')de_conv1 = tf.layers.conv2d_transpose(ac1,256,kernel_size=[5,5],padding='same',strides=2,kernel_initializer=tf.random_normal_initializer(stddev=stddev),name='decov1')bn2 = tf.layers.batch_normalization(de_conv1,name='bn2')#ac2 = tf.maximum(alpha * bn2, bn2,name='ac2')ac2 = tf.nn.relu(bn2,name='ac2')de_conv2 = tf.layers.conv2d_transpose(ac2, 128, kernel_size=[5, 5],padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev),strides=2, name='decov2')bn3 = tf.layers.batch_normalization(de_conv2,name='bn3')#ac3 = tf.maximum(alpha * bn3, bn3,name='ac3')ac3 = tf.nn.relu(bn3,name='ac3')de_conv3 = tf.layers.conv2d_transpose(ac3, 64, kernel_size=[5, 5],padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev), strides=2, name='decov3')bn4 = tf.layers.batch_normalization(de_conv3,name='bn4')#ac4 = tf.maximum(alpha * bn4, bn4,name='ac4')ac4 = tf.nn.relu(bn4,name='ac4')logits = tf.layers.conv2d_transpose(ac4, 3, kernel_size=[5, 5], padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev), strides=2,name='logits')output = tf.tanh(logits)return output

构建判别网络：

def discriminator(inputs,stddev=0.02,alpha=0.2,batch_size=64,name='discriminator',reuse=False):with tf.variable_scope(name,reuse=reuse) as scope:conv1 = tf.layers.conv2d(inputs,64,(5,5),(2,2),padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev),name='conv1')ac1 = tf.maximum(alpha*conv1,conv1,name='ac1')conv2 = tf.layers.conv2d(ac1, 128, (5,5), (2, 2), padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev), name='conv2')bn2 = tf.layers.batch_normalization(conv2, name='bn2')ac2 = tf.maximum(alpha * bn2, bn2, name='ac2')conv3 = tf.layers.conv2d(ac2, 256, (5,5), (2, 2), padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev), name='conv3')bn3 = tf.layers.batch_normalization(conv3, name='bn3')ac3 = tf.maximum(alpha * bn3, bn3, name='ac3')conv4 = tf.layers.conv2d(ac3, 512, (5,5), (2, 2), padding='same',kernel_initializer=tf.random_normal_initializer(stddev=stddev), name='conv4')bn4 = tf.layers.batch_normalization(conv4, name='bn4')ac4 = tf.maximum(alpha * bn4, bn4, name='ac4')flat = tf.reshape(ac4,shape=[batch_size,6*6*512],name='reshape')fc2 = tf.layers.dense(flat, 1, kernel_initializer=tf.random_normal_initializer(stddev=stddev), name='fc2')return fc2
lr = 0.0002
epochs = 100
batch_size = 64alpha = 0.2
with tf.name_scope('gen_input') as scope:gen_input = tf.placeholder(dtype=tf.float32,shape=[None,100],name='gen_input')with tf.name_scope('dis_input') as scope:real_input = tf.placeholder(dtype=tf.float32,shape=[None,96,96,3],name='dis_input')gen_out = generator(gen_input,stddev=0.02,alpha=alpha,name='generator',reuse=False)real_logits = discriminator(real_input,alpha=alpha,batch_size=batch_size)
fake_logits = discriminator(gen_out,alpha=alpha,reuse=True)#var_list_gen = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='generator')
#var_list_dis = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='discriminator')
train_var = tf.trainable_variables()
var_list_gen = [var for var in train_var if var.name.startswith('generator') ]
var_list_dis = [var for var in train_var if var.name.startswith('discriminator')]
with tf.name_scope('metrics') as scope:loss_g = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.ones_like(fake_logits)*0.9,logits=fake_logits))loss_d_f = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.zeros_like(fake_logits),logits=fake_logits))loss_d_r = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.ones_like(real_logits)*0.9,logits=real_logits))loss_d = loss_d_f + loss_d_rgen_optimizer = tf.train.AdamOptimizer(0.0002,beta1=0.5).minimize(loss_g,var_list=var_list_gen)dis_optimizer = tf.train.AdamOptimizer(0.0002,beta1=0.5).minimize(loss_d, var_list=var_list_dis)

训练神经网络：

with tf.Session() as sess:sess.run(tf.global_variables_initializer())coord = tf.train.Coordinator()threads = tf.train.start_queue_runners(sess=sess, coord=coord)writer = tf.summary.FileWriter('./graph/DCGAN',sess.graph)saver = tf.train.Saver()for epoch in range(epochs):total_g_loss = 0total_d_loss = 0KK = 0for batch in get_batch('./faces/',batch_size):x_real = batchx_real = x_real/127.5 - 1x_fake = np.random.uniform(-1,1,size=[batch_size,100])KK += 1_,tmp_loss_d= sess.run([dis_optimizer,loss_d],feed_dict={gen_input:x_fake,real_input:x_real})total_d_loss += tmp_loss_d_, tmp_loss_g = sess.run([gen_optimizer,loss_g],feed_dict={gen_input:x_fake})_, tmp_loss_g = sess.run([gen_optimizer,loss_g],feed_dict={gen_input:x_fake})total_g_loss += tmp_loss_gif epoch % 10 == 0:x_fake = np.random.uniform(-1,1,[64,100])samples = sess.run(gen_out,feed_dict={gen_input:x_fake})samples = (((samples - samples.min()) * 255) / (samples.max() - samples.min())).astype(np.uint8)vis_img(-1, [samples])print('epoch {},loss_g={}'.format(epoch, total_g_loss/2/KK))print('epoch {},loss_d={}'.format(epoch, total_d_loss/KK))writer.close()saver.save(sess, "./checkpoints/DCGAN")

结果展示：

DCGAN生成动漫头像（附代码）相关推荐

DCGAN生成动漫头像【学习】
DCGAN生成动漫头像在假期看了李宏毅老师的GAN的介绍,看到了课后题DCGAN生成动漫头像的作业,实现一下.记录学习过程. 参考的文章: [Keras] 基于GAN自动生成动漫头像因为使用的是t ...
vs2019 利用Pytorch和TensorFlow分别实现DCGAN生成动漫头像
这是针对于博客vs2019安装和使用教程(详细)的DCGAN生成动漫头像项目新建示例目录一.DCGAN架构及原理二.项目结构 1.TensorFlow 2.Pytorch 三.数据集下载(两种方 ...
pytorch：DCGAN生成动漫头像
动漫头像数据集下载地址:动漫头像数据集_百度云连接,DCGAN论文下载地址: https://arxiv.org/abs/1511.06434 数据集里面的图片是这个样子的: 这是DCGAN的主要改进 ...
使用TensorFlow2.0搭建DCGAN生成动漫头像（内含生成过程GIF图）
文章目录生成对抗网络介绍一.造假二.训练判别器三.训练生成器 DCGAN介绍搭建DCGAN 数据来源必要工作读取数据构建生成器构建判别器连接模型连接图片生成函数训练生成对抗 ...
通过PyTorch用DCGAN生成动漫头像
数据集数据集我们用AnimeFaces数据集,共5万多张动漫头像. 链接:https://pan.baidu.com/s/1cp-A8ZV74YBelkSuKxuM6A 提取码:face 要把所有的 ...
基于Tensorflow和DCGAN生成动漫头像实践（二）
本篇内容为动漫头像生成的主要代码部分,第一次写这种代码,从读取数据到生成走了一个完整的流程.创建TFrecord过程可以看上一篇内容. 代码内容: #!/usr/bin/env python2 # - ...
基于DCGAN的动漫头像生成
基于DCGAN的动漫头像生成数据数据集:动漫图库爬虫获得,经过数据清洗,裁剪得到动漫头像.分辨率为3 * 96 * 96,共5万多张动漫头像的图片,从知乎用户何之源处下载. 生成器:输入为随机噪声 ...
有趣的图像生成——使用DCGAN与pytorch生成动漫头像
有趣的图像生成--使用DCGAN与pytorch生成动漫头像文章目录有趣的图像生成--使用DCGAN与pytorch生成动漫头像一.源码下载二.什么是DCGAN 三.DCGAN的实现 1.** ...
pytorch实现DCGAN生成动漫人物头像
pytorch实现DCGAN生成动漫人物头像 DCGAN原理参考这一系列文章数据集 21551张64*64动漫人物头像生成效果训练1个epoch(emm-) 训练10个epoch(起码有颜色了 ...

DCGAN生成动漫头像（附代码）

DCGAN生成动漫头像（附代码）相关推荐

最新文章

热门文章