【Python】利用GAN生成動(dòng)漫頭像

猿友 2018-08-07 17:56:55 瀏覽數(shù) (9823)

反饋

本文轉(zhuǎn)載至知乎ID：Charles（白露未晞）知乎個(gè)人專(zhuān)欄
下載W3Cschool手機(jī)App，0基礎(chǔ)隨時(shí)隨地學(xué)編程>>戳此了解

參考文獻(xiàn)

用深層卷積生成對(duì)抗網(wǎng)絡(luò)進(jìn)行無(wú)監(jiān)督表示學(xué)習(xí);

GenerativeAdversarialNets。

甘論文匯總：

https://github.com/zhangqianhui/AdversarialNetsPapers

聲明

本教程提供的所有源碼以及素材僅供學(xué)習(xí)交流使用，禁止商用/非法使用。

導(dǎo)語(yǔ)

發(fā)現(xiàn)之前兩篇關(guān)于GAN的文章效果都比較一般，想試著優(yōu)化一下，訓(xùn)練個(gè)像樣一些的模型，至少不能太丟GAN的臉，于是就有了這篇文章。

OK，讓我們愉快地開(kāi)始吧?

開(kāi)發(fā)工具

蟒蛇中的版本：3.6.4

相關(guān)模塊：

pytorch模塊;

torchvision模塊;

PIL模塊;

以及一些Python中的中自帶的模塊。

PyTorch版本：

0.3.0

環(huán)境搭建

安裝的Python的中并添加到環(huán)境變量，PIP安裝需要的相關(guān)模塊即可。

補(bǔ)充說(shuō)明：

PyTorch0.3.0不支持直接的PIP安裝（Windows）中中中。

有兩個(gè)選擇：

（1）安裝anaconda3后在anaconda3的環(huán)境下安裝（直接PIP安裝即可）;

（2）使用編譯好的WHL文件安裝，下載鏈接為：

https://pan.baidu.com/s/1dF6ayLr#list/path=%2Fpytorch

原理簡(jiǎn)介

關(guān)于生成對(duì)抗網(wǎng)絡(luò)的核心思想，請(qǐng)參考之前的文章：

【Python中的中】利用甘生成MNIST數(shù)據(jù)集。

順便補(bǔ)充一下甘訓(xùn)練目標(biāo)的數(shù)學(xué)語(yǔ)言描述：

公式解釋如下：

X：真實(shí)圖片;

Z：輸入?網(wǎng)絡(luò)的噪聲;

G（Z）：G ^網(wǎng)絡(luò)生成的圖片;

d（X）：真實(shí)圖片是否真實(shí)的概率;

d（G（X））：G ^網(wǎng)絡(luò)生成的圖片是否真實(shí)的概率。

正如之前的文章所述，生成網(wǎng)絡(luò)?的訓(xùn)練目標(biāo)是盡可能生成真實(shí)的圖片去欺騙判別網(wǎng)絡(luò)d;而判別網(wǎng)絡(luò)d的訓(xùn)練目標(biāo)就是盡可能把生成網(wǎng)絡(luò)?生成的圖片和真實(shí)的圖片區(qū)別開(kāi)來(lái)，即訓(xùn)練過(guò)程是一個(gè)動(dòng)態(tài)的“博弈過(guò)程”。

因此，公式中的?網(wǎng)絡(luò)希望d（G（Z））盡可能得大; d網(wǎng)絡(luò)希望d（x）的的的盡可能得大，d（G（X））盡可能得小故而公式的訓(xùn)練目標(biāo)為：

更多關(guān)于甘的原理介紹和應(yīng)用可參考“ 參考文獻(xiàn) ”部分的內(nèi)容。

具體模型

與【的的的Python】利用GAN神奇生成寶貝一文中使用的網(wǎng)絡(luò)結(jié)構(gòu)不同，本文使用了全卷積網(wǎng)絡(luò)結(jié)構(gòu)（即不再加入全連接層FC）。同時(shí)本文增加了訓(xùn)練數(shù)據(jù)量，使用了大約5萬(wàn)張動(dòng)漫頭像作為訓(xùn)練數(shù)據(jù)。

具體而言，生成器結(jié)構(gòu)為：