120 практических задач. Джейд Картер. Читать онлайн. Newlib. NEWLIB.NET

Автор: Джейд Картер
Издательство: Автор
Серия:
Жанр произведения:
Год издания: 2024
isbn:
Скачать книгу
tensorflow.keras import layers, models

      import numpy as np

      import matplotlib.pyplot as plt

      # Шаг 1: Импорт библиотек

      import tensorflow as tf

      from tensorflow.keras import layers, models

      import numpy as np

      import matplotlib.pyplot as plt

      # Шаг 2: Подготовка данных

      # Загрузка набора данных MNIST

      (train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()

      train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')

      train_images = (train_images – 127.5) / 127.5 # Нормализация изображений в диапазоне [-1, 1]

      BUFFER_SIZE = 60000

      BATCH_SIZE = 256

      # Создание выборок

      train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

      # Шаг 3: Построение генератора

      def build_generator():

      model = models.Sequential()

      model.add(layers.Dense(7 * 7 * 256, use_bias=False, input_shape=(100,)))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Reshape((7, 7, 256)))

      assert model.output_shape == (None, 7, 7, 256) # Убедитесь, что выходная форма такая

      model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))

      assert model.output_shape == (None, 28, 28, 1)

      return model

      # Шаг 4: Построение дискриминатора

      def build_discriminator():

      model = models.Sequential()

      model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1]))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Flatten())

      model.add(layers.Dense(1, activation='sigmoid'))

      return model

      # Построение генератора и дискриминатора

      generator = build_generator()

      discriminator = build_discriminator()

      # Определение функции потерь и оптимизаторов

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

      def discriminator_loss(real_output, fake_output):

      real_loss = cross_entropy(tf.ones_like(real_output), real_output)

      fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)

      total_loss = real_loss + fake_loss

      return total_loss

      def generator_loss(fake_output):

      return cross_entropy(tf.ones_like(fake_output), fake_output)

      generator_optimizer = tf.keras.optimizers.Adam(1e-4)

      discriminator_optimizer = tf.keras.optimizers.Adam(1e-4)

      # Шаг 5: Построение GAN

      @tf.function

      def train_step(images):

      noise = tf.random.normal([BATCH_SIZE, 100])

      with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:

      generated_images = generator(noise, training=True)

      real_output = discriminator(images, training=True)

      fake_output = discriminator(generated_images, training=True)

      gen_loss = generator_loss(fake_output)

      disc_loss = discriminator_loss(real_output, fake_output)

      gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables)

      gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables)

      generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))

      discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables))

      def train(dataset, epochs):

      for epoch in range(epochs):

      for image_batch in dataset:

      train_step(image_batch)

      print(f'Эпоха {epoch + 1} завершена')

      # Шаг 6: Обучение GAN

      EPOCHS = 50

      train(train_dataset, EPOCHS)

      # Шаг 7: Генерация изображений

      def generate_and_save_images(model, epoch, test_input):

      predictions = model(test_input, training=False)

      fig = plt.figure(figsize=(4, 4))

      for i in range(predictions.shape[0]):

      plt.subplot(4, 4, i+1)

      plt.imshow(predictions[i, :, :, 0] * 127.5 + 127.5, cmap='gray')

      plt.axis('off')

      plt.savefig(f'image_at_epoch_{epoch:04d}.png')

      plt.show()

      # Генерация изображений после обучения

      noise = tf.random.normal([16, 100])

      generate_and_save_images(generator, EPOCHS, noise)

      ```

      Пояснение:

      1. Импорт библиотек: Импортируются необходимые библиотеки TensorFlow, Keras, numpy и matplotlib.

      2. Подготовка данных: Загружаются данные MNIST и нормализуются в диапазоне [-1, 1]. Данные затем разделяются на батчи для обучения.

      3. Построение генератора:

      – Генератор