DCGAN in Tensorflow生成动漫人物
引自:GAN学习指南:从原理入门到制作生成Demo
生成式对抗网络(GAN)是近年来大热的深度学习模型。最近正好有空看了这方面的一些论文,跑了一个GAN的代码,于是写了这篇文章来介绍一下GAN。
本文主要分为三个部分:
- 介绍原始的GAN的原理
- 同样非常重要的DCGAN的原理
- 如何在Tensorflow跑DCGAN的代码,生成如题图所示的动漫头像,附送数据集哦 :-)
GAN原理介绍
说到GAN第一篇要看的paper当然是Ian Goodfellow大牛的Generative Adversarial Networks(arxiv:https://arxiv.org/abs/1406.2661),这篇paper算是这个领域的开山之作。
GAN的基本原理其实非常简单,这里以生成图片为例进行说明。假设我们有两个网络,G(Generator)和D(Discriminator)。正如它的名字所暗示的那样,它们的功能分别是:
- G是一个生成图片的网络,它接收一个随机的噪声z,通过这个噪声生成图片,记做G(z)。
- D是一个判别网络,判别一张图片是不是“真实的”。它的输入参数是x,x代表一张图片,输出D(x)代表x为真实图片的概率,如果为1,就代表100%是真实的图片,而输出为0,就代表不可能是真实的图片。
在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。
最后博弈的结果是什么?在最理想的状态下,G可以生成足以“以假乱真”的图片G(z)。对于D来说,它难以判定G生成的图片究竟是不是真实的,因此D(G(z)) = 0.5。
这样我们的目的就达成了:我们得到了一个生成式的模型G,它可以用来生成图片。
以上只是大致说了一下GAN的核心原理,如何用数学语言描述呢?这里直接摘录论文里的公式:
简单分析一下这个公式:
- 整个式子由两项构成。x表示真实图片,z表示输入G网络的噪声,而G(z)表示G网络生成的图片。
- D(x)表示D网络判断真实图片是否真实的概率(因为x就是真实的,所以对于D来说,这个值越接近1越好)。而D(G(z))是D网络判断G生成的图片的是否真实的概率。
- G的目的:上面提到过,D(G(z))是D网络判断G生成的图片是否真实的概率,G应该希望自己生成的图片“越接近真实越好”。也就是说,G希望D(G(z))尽可能得大,这时V(D, G)会变小。因此我们看到式子的最前面的记号是min_G。
- D的目的:D的能力越强,D(x)应该越大,D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大(max_D)
下面这幅图片很好地描述了这个过程:
那么如何用随机梯度下降法训练D和G?论文中也给出了算法:
这里红框圈出的部分是我们要额外注意的。第一步我们训练D,D是希望V(G, D)越大越好,所以是加上梯度(ascending)。第二步训练G时,V(G, D)越小越好,所以是减去梯度(descending)。整个训练过程交替进行。
DCGAN原理介绍
我们知道深度学习中对图像处理应用最好的模型是CNN,那么如何把CNN与GAN结合?DCGAN是这方面最好的尝试之一(论文地址:[1511.06434] Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks)
DCGAN的原理和GAN是一样的,这里就不在赘述。它只是把上述的G和D换成了两个卷积神经网络(CNN)。但不是直接换就可以了,DCGAN对卷积神经网络的结构做了一些改变,以提高样本的质量和收敛的速度,这些改变有:
- 取消所有pooling层。G网络中使用转置卷积(transposed convolutional layer)进行上采样,D网络中用加入stride的卷积代替pooling。
- 在D和G中均使用batch normalization
- 去掉FC层,使网络变为全卷积网络
- G网络中使用ReLU作为激活函数,最后一层使用tanh
- D网络中使用LeakyReLU作为激活函数
DCGAN中的G网络示意:
DCGAN in Tensorflow
好了,上面说了一通原理,下面说点有意思的实践部分的内容。
DCGAN的原作者用DCGAN生成LSUN的卧室图片,这并不是特别有意思。之前在网上看到一篇文章 Chainerで顔イラストの自動生成 - Qiita ,是用DCGAN生成动漫人物头像的,效果如下:
这是个很有趣的实践内容。可惜原文是用Chainer做的,这个框架使用的人不多。下面我们就在Tensorflow中复现这个结果。
原始数据集的搜集
首先我们需要用爬虫爬取大量的动漫图片,原文是在这个网站:http://safebooru.donmai.us/中爬取的。我尝试的时候,发现在我的网络环境下无法访问这个网站,于是我就写了一个简单的爬虫爬了另外一个著名的动漫图库网站:konachan.net - Konachan.com Anime Wallpapers。
爬虫代码如下:
import requests from bs4 import BeautifulSoup import os import tracebackdef download(url, filename):if os.path.exists(filename):print('file exists!')returntry:r = requests.get(url, stream=True, timeout=60)r.raise_for_status()with open(filename, 'wb') as f:for chunk in r.iter_content(chunk_size=1024):if chunk: # filter out keep-alive new chunksf.write(chunk)f.flush()return filenameexcept KeyboardInterrupt:if os.path.exists(filename):os.remove(filename)raise KeyboardInterruptexcept Exception:traceback.print_exc()if os.path.exists(filename):os.remove(filename)if os.path.exists('imgs') is False:os.makedirs('imgs')start = 1 end = 8000 for i in range(start, end + 1):url = 'http://konachan.net/post?page=%d&tags=' % ihtml = requests.get(url).textsoup = BeautifulSoup(html, 'html.parser')for img in soup.find_all('img', class_="preview"):target_url = 'http:' + img['src']filename = os.path.join('imgs', target_url.split('/')[-1])download(target_url, filename)print('%d / %d' % (i, end))
这个爬虫大概跑了一天,爬下来12万张图片,大概是这样的:
可以看到这里面的图片大多数比较杂乱,还不能直接作为数据训练,我们需要用合适的工具,截取人物的头像进行训练。
头像截取
截取头像和原文一样,直接使用github上一个基于opencv的工具:nagadomi/lbpcascade_animeface。
简单包装下代码:
作者:何之源 链接:https://zhuanlan.zhihu.com/p/24767059 来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。import cv2 import sys import os.path from glob import globdef detect(filename, cascade_file="lbpcascade_animeface.xml"):if not os.path.isfile(cascade_file):raise RuntimeError("%s: not found" % cascade_file)cascade = cv2.CascadeClassifier(cascade_file)image = cv2.imread(filename)gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)gray = cv2.equalizeHist(gray)faces = cascade.detectMultiScale(gray,# detector optionsscaleFactor=1.1,minNeighbors=5,minSize=(48, 48))for i, (x, y, w, h) in enumerate(faces):face = image[y: y + h, x:x + w, :]face = cv2.resize(face, (96, 96))save_filename = '%s-%d.jpg' % (os.path.basename(filename).split('.')[0], i)cv2.imwrite("faces/" + save_filename, face)if __name__ == '__main__':if os.path.exists('faces') is False:os.makedirs('faces')file_list = glob('imgs/*.jpg')for filename in file_list:detect(filename)
截取头像后的人物数据:
这样就可以用来训练了!
如果你不想从头开始爬图片,可以直接使用我爬好的头像数据(275M,约5万多张图片):https://pan.baidu.com/s/1eSifHcA 提取码:g5qa
训练
DCGAN在Tensorflow中已经有人造好了轮子:carpedm20/DCGAN-tensorflow,我们直接使用这个代码就可以了。
不过原始代码中只提供了有限的几个数据库,如何训练自己的数据?在model.py中我们找到读数据的几行代码:
if config.dataset == 'mnist':data_X, data_y = self.load_mnist()else:data = glob(os.path.join("./data", config.dataset, "*.jpg"))
这样读数据的逻辑就很清楚了,我们在data文件夹中再新建一个anime文件夹,把图片直接放到这个文件夹里,运行时指定–dataset anime即可。
运行指令(参数含义:指定生成的图片的尺寸为48x48,我们图片的大小是96x96,跑300个epoch):
python main.py --image_size 96 --output_size 48 --dataset anime --is_crop True --is_train True --epoch 300
结果
第1个epoch跑完(只有一点点轮廓):
第5个epoch之后的结果:
第10个epoch:
200个epoch,仔细看有些图片确实是足以以假乱真的:
题图是我从第300个epoch生成的。
总结和后续
简单介绍了一下GAN和DCGAN的原理。以及如何使用Tensorflow做一个简单的生成图片的demo。
- Ian Goodfellow对GAN一系列工作总结的ppt,确实精彩,推荐:独家 | GAN之父NIPS 2016演讲现场直击:全方位解读生成对抗网络的原理及未来(附PPT)
- GAN论文汇总,包含code:zhangqianhui/AdversarialNetsPapers
转载于:https://www.cnblogs.com/Anita9002/p/9109642.html
DCGAN in Tensorflow生成动漫人物相关推荐
- 【GAN实战项目:DCGAN in Tensorflow生成动漫人物头像】代码学习
目录 一.爬虫代码 二.头像截取 三.训练 四.遇到的问题及处理方法 五.生成效果 DCGAN的原理 和GAN是一样的,只是把G和D换成了两个卷积神经网络(CNN).但不是直接换就可以了,DCGAN对 ...
- 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 深度学习实战 | 基于生成式对抗网络生成动漫人物
生成式对抗网络(Generative Adversarial Network, GAN)是近些年计算机视觉领域非常常见的一类方法,其强大的从已有数据集中生成新数据的能力令人惊叹,甚至连人眼都无法进行分 ...
- 这个AI算法可以生成动漫人物-styleGAN2神经网络模型
上期视频我们分享了使用styleGAN2生成动漫的视频,本期我们从代码角度分享一下实现过程 我们向styleGAN2模型中输入如下2张动漫照片,神经网络会通过学习,生成同时具有2种风格,且风格各异的不 ...
- 玩转StyleGAN2模型:教你生成动漫人物
正文字数:2840 阅读时长:6分钟 生成式对抗网络(GAN)是一种能够生成新内容的生成模型.由于其有趣的应用,如生成合成训练数据.创建艺术.风格转换.图像到图像的翻译等,这个话题在机器学习的领域中 ...
- 李宏毅机器学习作业6-使用GAN生成动漫人物脸
理论部分参考:李宏毅机器学习--对抗生成网络(GAN)_iwill323的博客-CSDN博客 目录 任务和数据集 评价方法 FID AFD (Anime face detection) rate 代 ...
- [计算机毕业设计]生成式对抗网络生成动漫人物
前言
- 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 ...
- 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 ...
最新文章
- 200字带你看完一本书,GPT-3已经会给长篇小说写摘要了
- 开源 java CMS - FreeCMS2.3会员个人资料
- 项目开发--------XMPP即时通讯
- 第一百七十二节,jQuery,动画效果
- LeetCode 918. 环形子数组的最大和(前缀和+单调队列)
- 分享一篇关于“每日优鲜”的PRD文档
- 【ACM】nyoj_2_括号配对问题_201308091548
- 工业互联网网络安全防护亟待提高
- OpenDaylight你不可不知的十大问题——OpenDaylight是什么?
- Let'sEncrypt免费域名申请一键式脚本-目前最简单的脚本
- 三大框架 —— 持久层框架MyBatis
- 笔记本安装固态硬盘ssd教程
- 获取某一年指定自然周的开始时间和结束时间
- 这几个群,程序员可千万不要进!
- MIT推出3D全息图生成新方法,可在智能手机上实时运行
- 虚拟服务器伪静态怎么设置,虚拟主机怎么配置伪静态
- Linux X 视窗编程基础
- CSRF跨站请求伪造 | 总结记录
- ThreadX分析(一)
- 使用rsync删除大文件
热门文章
- PAT (Basic Level) Practice (中文)1014 福尔摩斯的约会 (20 分)
- 【Android】 常用的Intent
- iis php性能优化,IIS 6 的 PHP 最佳配置方法
- MySQL了content函数_MySql字符串函数使用技巧
- Spark(2)——小用RDD
- 剑指offer--整数中1出现的次数
- SQL 2005 收缩事务日志文件
- mysql的binary、char、varchar区别
- C++中的值初始化和默认初始化
- 你是如何坚持读完《算法导论》这本书的?(帖子收集)