GAN生成对抗网络-PIX2PIXGAN原理与基本实现-图像翻译09

什么是pix2pix Gan

普通的GAN接收的G部分的输入是随机向量，输出是图像
；D部分接收的输入是图像(生成的或是真实的)，输出是对或
者错。这样G和D联手就能输出真实的图像。

对于图像翻译任务来说，它的G输入显然应该是一张图x，
输出当然也是一张图y。
不需要添加随机输入。

对于图像翻译这些任务来说，输入和输出之间会共享很多
的信息。比如轮廓信息是共享的。

如果使用普通的卷积神经网络，那么会导致每一层都承载
保存着所有的信息，这样神经网络很容易出错。

U-Net也是Encoder-Decoder模型，是变形的EncoderDecoder模型。
所谓的U-Net是将第i层拼接到第n-i层，这样做是因为第i层
和第n-i层的图像大小是一致的，可以认为他们承载着类似
的信息。

但是D的输入却应该发生一些变化，因为除了要生成真实图
像之外，还要保证生成的图像和输入图像是匹配的。
于是D的输入就做了一些变动。
D中要输入成对的图像。这类似于conditonal GAN

Pix2Pix中的D被论文中被实现为Patch-D，所谓Patch，是
指无论生成的图像有多大，将其切分为多个固定大小的
Patch输入进D去判断。
这样设计的好处是： D的输入变小，计算量小，训练速度快。

D网络损失函数：
输入真实的成对图像希望判定为1.
输入生成图像与原图像希望判定为0 G网络损失函数：
输入生成图像与原图像希望判定为1

对于图像翻译任务而言，G的输入和输出之间其实共享了很
多信息，比如图像上色任务，输入和输出之间就共享了边信
息。因而为了保证输入图像和输出图像之间的相似度，还加
入了L1 Loss

cGAN，输入为图像而不是随机向量
U-Net，使用skip-connection来共享更多的信息
Pair输入到D来保证映射
Patch-D来降低计算量提升效果
L1损失函数的加入来保证输入和输出之间的一致性.

（论文地址： https://phillipi.github.io/pix2pix/）
所使用的版本，是原数据集的一部分。
数据集中语义分割图与原始图像一起显示在图片中。这是
用于语义分割任务的最佳数据集之一。

数据集包含 2975 张训练图片和 500 张验证图片。
每个图像文件是 256x512 像素，每张图片都是一个组合，
图像的左半部分是原始照片，
右半部分是标记图像（语义分割输出）

代码

import tensorflow as tf
import os
import glob
from matplotlib import pyplot as plt
%matplotlib inline
import time
from IPython import display

imgs_path = glob.glob(r'D:\163\gan20\pix2pix\datasets\cityscapes_data\train\*.jpg')

def read_jpg(path):img = tf.io.read_file(path)img = tf.image.decode_jpeg(img, channels=3)return img

def normalize(input_image, input_mask):input_image = tf.cast(input_image, tf.float32)/127.5 - 1input_mask = tf.cast(input_mask, tf.float32)/127.5 - 1return input_image, input_mask

def load_image(image_path):image = read_jpg(image_path)w = tf.shape(image)[1]w = w // 2input_image = image[:, :w, :]input_mask = image[:, w:, :]input_image = tf.image.resize(input_image, (64, 64))input_mask = tf.image.resize(input_mask, (64, 64))if tf.random.uniform(()) > 0.5:input_image = tf.image.flip_left_right(input_image)input_mask = tf.image.flip_left_right(input_mask)input_image, input_mask = normalize(input_image, input_mask)return input_mask, input_image

dataset = tf.data.Dataset.from_tensor_slices(imgs_path)

train = dataset.map(load_image, num_parallel_calls=tf.data.experimental.AUTOTUNE)

BATCH_SIZE = 8
BUFFER_SIZE = 100

train_dataset = train.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
train_dataset = train_dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)

plt.figure(figsize=(5, 2))
for img, musk in train_dataset.take(1):plt.subplot(1,2,1)plt.imshow(tf.keras.preprocessing.image.array_to_img(img[0]))plt.subplot(1,2,2)plt.imshow(tf.keras.preprocessing.image.array_to_img(musk[0]))

imgs_path_test = glob.glob(r'D:\163\gan20\pix2pix\datasets\cityscapes_data\val\*.jpg')

dataset_test = tf.data.Dataset.from_tensor_slices(imgs_path_test)

def load_image_test(image_path):image = read_jpg(image_path)w = tf.shape(image)[1]w = w // 2input_image = image[:, :w, :]input_mask = image[:, w:, :]input_image = tf.image.resize(input_image, (64, 64))input_mask = tf.image.resize(input_mask, (64, 64))input_image, input_mask = normalize(input_image, input_mask)return input_mask, input_image

dataset_test = dataset_test.map(load_image_test)

dataset_test = dataset_test.batch(BATCH_SIZE)

plt.figure(figsize=(5, 2))
for img, musk in dataset_test.take(1):plt.subplot(1,2,1)plt.imshow(tf.keras.preprocessing.image.array_to_img(img[0]))plt.subplot(1,2,2)plt.imshow(tf.keras.preprocessing.image.array_to_img(musk[0]))

OUTPUT_CHANNELS = 3

def downsample(filters, size, apply_batchnorm=True):
#    initializer = tf.random_normal_initializer(0., 0.02)result = tf.keras.Sequential()result.add(tf.keras.layers.Conv2D(filters, size, strides=2, padding='same',use_bias=False))if apply_batchnorm:result.add(tf.keras.layers.BatchNormalization())result.add(tf.keras.layers.LeakyReLU())return result

def upsample(filters, size, apply_dropout=False):
#    initializer = tf.random_normal_initializer(0., 0.02)result = tf.keras.Sequential()result.add(tf.keras.layers.Conv2DTranspose(filters, size, strides=2,padding='same',use_bias=False))result.add(tf.keras.layers.BatchNormalization())if apply_dropout:result.add(tf.keras.layers.Dropout(0.5))result.add(tf.keras.layers.ReLU())return result

def Generator():inputs = tf.keras.layers.Input(shape=[64,64,3])down_stack = [downsample(32, 3, apply_batchnorm=False), # (bs, 32, 32, 32)downsample(64, 3), # (bs, 16, 16, 64)downsample(128, 3), # (bs, 8, 8, 128)downsample(256, 3), # (bs, 4, 4, 256)downsample(512, 3), # (bs, 2, 2, 512)downsample(512, 3), # (bs, 1, 1, 512)]up_stack = [upsample(512, 3, apply_dropout=True), # (bs, 2, 2, 1024)upsample(256, 3, apply_dropout=True), # (bs, 4, 4, 512)upsample(128, 3, apply_dropout=True), # (bs, 8, 8, 256)upsample(64, 3), # (bs, 16, 16, 128)upsample(32, 3), # (bs, 32, 32, 64)]#    initializer = tf.random_normal_initializer(0., 0.02)last = tf.keras.layers.Conv2DTranspose(OUTPUT_CHANNELS, 3,strides=2,padding='same',activation='tanh') # (bs, 64, 64, 3)x = inputs# Downsampling through the modelskips = []for down in down_stack:x = down(x)skips.append(x)skips = reversed(skips[:-1])# Upsampling and establishing the skip connectionsfor up, skip in zip(up_stack, skips):x = up(x)x = tf.keras.layers.Concatenate()([x, skip])x = last(x)return tf.keras.Model(inputs=inputs, outputs=x)

generator = Generator()
#tf.keras.utils.plot_model(generator, show_shapes=True, dpi=64)

LAMBDA = 10

def generator_loss(disc_generated_output, gen_output, target):gan_loss = loss_object(tf.ones_like(disc_generated_output), disc_generated_output)# mean absolute errorl1_loss = tf.reduce_mean(tf.abs(target - gen_output))total_gen_loss = gan_loss + (LAMBDA * l1_loss)return total_gen_loss, gan_loss, l1_loss

def Discriminator():
#    initializer = tf.random_normal_initializer(0., 0.02)inp = tf.keras.layers.Input(shape=[64, 64, 3], name='input_image')tar = tf.keras.layers.Input(shape=[64, 64, 3], name='target_image')x = tf.keras.layers.concatenate([inp, tar]) # (bs, 64, 64, channels*2)down1 = downsample(32, 3, False)(x) # (bs, 32, 32, 32)down2 = downsample(64, 3)(down1) # (bs, 16, 16, 64)down3 = downsample(128, 3)(down2) # (bs, 8, 8, 128)conv = tf.keras.layers.Conv2D(256, 3, strides=1,padding='same',use_bias=False)(down3) # (bs, 8, 8, 256)batchnorm1 = tf.keras.layers.BatchNormalization()(conv)leaky_relu = tf.keras.layers.LeakyReLU()(batchnorm1)last = tf.keras.layers.Conv2D(1, 3, strides=1)(leaky_relu) # (bs, 8, 8, 1)return tf.keras.Model(inputs=[inp, tar], outputs=last)

discriminator = Discriminator()
#tf.keras.utils.plot_model(discriminator, show_shapes=True, dpi=64)

loss_object = tf.keras.losses.BinaryCrossentropy(from_logits=True)

def discriminator_loss(disc_real_output, disc_generated_output):real_loss = loss_object(tf.ones_like(disc_real_output), disc_real_output)generated_loss = loss_object(tf.zeros_like(disc_generated_output), disc_generated_output)total_disc_loss = real_loss + generated_lossreturn total_disc_loss

generator_optimizer = tf.keras.optimizers.Adam(2e-4, beta_1=0.5)
discriminator_optimizer = tf.keras.optimizers.Adam(2e-4, beta_1=0.5)

def generate_images(model, test_input, tar):prediction = model(test_input, training=True)plt.figure(figsize=(7, 2))display_list = [test_input[0], tar[0], prediction[0]]title = ['Input Image', 'Ground Truth', 'Predicted Image']for i in range(3):plt.subplot(1, 3, i+1)plt.title(title[i])# getting the pixel values between [0, 1] to plot it.plt.imshow(display_list[i] * 0.5 + 0.5)plt.axis('off')plt.show()

for example_input, example_target in dataset_test.take(1):generate_images(generator, example_input, example_target)

EPOCHS = 110

@tf.function
def train_step(input_image, target, epoch):with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:gen_output = generator(input_image, training=True)disc_real_output = discriminator([input_image, target], training=True)disc_generated_output = discriminator([input_image, gen_output], training=True)gen_total_loss, gen_gan_loss, gen_l1_loss = generator_loss(disc_generated_output, gen_output, target)disc_loss = discriminator_loss(disc_real_output, disc_generated_output)generator_gradients = gen_tape.gradient(gen_total_loss,generator.trainable_variables)discriminator_gradients = disc_tape.gradient(disc_loss,discriminator.trainable_variables)generator_optimizer.apply_gradients(zip(generator_gradients,generator.trainable_variables))discriminator_optimizer.apply_gradients(zip(discriminator_gradients,discriminator.trainable_variables))

def fit(train_ds, epochs, test_ds):for epoch in range(epochs+1):if epoch%10 == 0:for example_input, example_target in test_ds.take(1):generate_images(generator, example_input, example_target)print("Epoch: ", epoch)for n, (input_image, target) in train_ds.enumerate():if n%10 == 0:print('.', end='')train_step(input_image, target, epoch)print()

fit(train_dataset, EPOCHS, dataset_test)

AD_EPOCHS = 50

fit(train_dataset, AD_EPOCHS, dataset_test)

generator.save('pix2pix.h5')

for input_image, ground_true in dataset_test:generate_images(generator, input_image, ground_true)

GAN生成对抗网络-PIX2PIXGAN原理与基本实现-图像翻译09相关推荐

GAN生成对抗网络-CycleGAN原理与基本实现-图像转换-10
CycleGAN的原理可以概述为: 将一类图片转换成另一类图片 .也就是说,现在有两个样本空间,X和Y,我们希望把X空间中的样本转换成Y空间中的样本.(获取一个数据集的特征,并转化成另一个数据集 ...
GAN生成对抗网络的原理及CycleGAN、Pixel2Pixel、starGAN的的原理即实现
生成对抗网络 1.生成对抗网络的定义生成式对抗网络是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一.模型通过框架中(至少)两个模块:生成模型和判别模型的互相博弈学习产生相当好的输出 ...
GAN生成对抗网络-CGAN原理与基本实现-条件生成对抗网络04
CGAN - 条件GAN 原始GAN的缺点代码实现 import tensorflow as tf from tensorflow import keras from tensorflow.kera ...
GAN生成对抗网络-DCGAN原理与基本实现-深度卷积生成对抗网络03
什么是DCGAN 实现代码 import tensorflow as tf from tensorflow import keras from tensorflow.keras import laye ...
GAN生成对抗网络-SSGAN原理与基本实现-半监督学习GAN-08
GAN生成对抗网络-INFOGAN原理与基本实现-可解释的生成对抗网络-06
代码 import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import m ...
54_pytorch GAN(生成对抗网络)、Gan代码示例、WGAN代码示例
1.54.GAN(生成对抗网络) 1.54.1.什么是GAN 2014 年,Ian Goodfellow 和他在蒙特利尔大学的同事发表了一篇震撼学界的论文.没错,我说的就是<Generative ...
深度学习(九) GAN 生成对抗网络理论部分
GAN 生成对抗网络理论部分前言一.Pixel RNN 1.图片的生成模型 2.Pixel RNN 3.Pixel CNN 二.VAE(Variational Autoencoder) 1.VA ...
深度学习 GAN生成对抗网络-1010格式数据生成简单案例
一.前言本文不花费大量的篇幅来推导数学公式,而是使用一个非常简单的案例来帮助我们了解GAN生成对抗网络. 二.GAN概念生成对抗网络(Generative Adversarial Networks ...

GAN生成对抗网络-PIX2PIXGAN原理与基本实现-图像翻译09

什么是pix2pix Gan

代码

GAN生成对抗网络-PIX2PIXGAN原理与基本实现-图像翻译09相关推荐

最新文章

热门文章