Lei Note du réseau Feng: Cet article est une compilation de la grippe aviaire Yanxishe technologie blog, le titre original de la génération Celebrity visage en utilisant Gans, auteur SHIVAM BANSAL.
Traduction | Relecture bateau fluvial | arrivée Wu Man | MY
confrontation Formule réseau (GAN) est l'un de l'apprentissage en profondeur des sujets les plus brûlants. La formule est un type d'algorithme de réseau de confrontation artificielle pour l'algorithme d'apprentissage non supervisé, le système se compose de deux réseaux de neurones composés de réalisation
générateur
discriminateur
Deux réseaux de neurones sont en concurrence les uns avec les autres dans un cadre de jeu à somme nulle. Contre formule de réseau (Gans) est un ensemble de modèles, ils apprennent à créer une donnée d'entrée sensiblement similaires données s'y rapportant données synthétisées.
Discriminateur tâche est de déterminer si une image donnée semble naturel (qui est, l'image de l'ensemble de données) ou semble avoir été artificiellement créé. Générateur de tâches est de créer la distribution des données d'origine similaire à l'aspect naturel des images qui ont l'air assez naturel pour tromper le réseau discriminateur. Tout d'abord, un générateur de bruit aléatoire, l'utiliser pour produire l'image fausse et transmet ensuite ces en même temps que l'image originale au discriminateur image fausse.
La tâche est de déterminer l'identification du modèle image donnée semble naturelle (l'image de l'ensemble de données) ou artificiellement créé. Ceci est essentiellement un classificateur binaire, qui prend la forme d'un réseau neuronal convolutif ordinaire (CNN) est. Générateur de tâches est de créer la distribution des données d'origine similaire à l'aspect naturel de l'image.
Builder essayant de discriminateur tromper, tout en essayant de ne pas être trompé générateur de discriminateur. Lorsque le modèle de formation optimisée en alternance, deux méthodes ont été améliorées jusqu'à un point de distinction entre la méthode « false d'image et un ensemble de données non-image ».
Génération des équations mathématiques réseaux contradictoires:
On peut penser de cette équation se compose de deux parties, une première partie des données échantillonnées à partir de la distribution de données brutes, la deuxième partie sont les données échantillons du bruit dans la distribution de données.
La première partie
Authenticator veulent toujours maximiser la précision de leur classification d'image. Ici, les données d'image est échantillonnée à partir de la distribution originale, la distribution des données d'origine est des données réelles en soi. D (x) est une probabilité que l'image est réelle, donc toujours envie de maximiser le discriminateur D (x), et donc log (D (x)) doit être maximisée et doit être maximisée dans cette partie du contenu.
La deuxième partie
« Z » est un échantillon de bruit aléatoire, G (z) est une image générée échantillons de bruit. Les explications des termes avant et très similaires. Builder veulent toujours maximiser le discriminateur d'image trompé de probabilité est générée. Cela signifie que veulent maximiser générateur D (G (z)), il devrait donc être réduites au minimum 1-D (G (z)) des moyens (1-D (G (z))) est minimisé.
image Celebrity généré en utilisant GAN
Celebrity jeux de données photos:
ensemble de données CelebA est plus de 200000 célébrités image visage collection annotée. Parce que dans ce blog, je veux juste générer le visage, donc je ne considérais pas le commentaire.
1) pour obtenir des données:
J'ai créé des fichiers helper.py, vous pouvez télécharger des ensembles de données d'image CelebA dans le fichier. Lorsque vous exécutez ce fragment de code, il téléchargera ensemble de données CelebA. (Code source lié ci-dessous).
2) Pré-traitement de l'image:
Depuis que je ne travaille que sur l'image du visage, afin d'obtenir de bons résultats, donc je vais le régler à 28 * 28. Je coupe la partie de l'image ne comprend pas la partie de l'image.
Parce que la formule est difficile d'exercer contre le réseau (vous pouvez vérifier ce lien pour savoir pourquoi la formation de formule contre le réseau si difficile?)
Afin d'obtenir des résultats précis, nous devrions avoir un bon GPU (4 Go ou plus tard), en exécutant cet extrait de code, vous pouvez voir si votre GPU installé tensorflow.
3) la structure du réseau et l'entrée de modèle
Je largeur, la hauteur, les paramètres de canal et de l'image de bruit en entrée au modèle, le générateur les utiliser pour générer fausse image.
Structure Génération:
Après couche de déconvolution, une structure ayant un générateur de couche dense et une couche entièrement connectées (chaque couche à l'exception de la couche de sortie a la standardisation des lots, RELU qui fuit et d'abandon). Le générateur vecteur z de bruit aléatoire, il forme le remodelage 4D et le transmettre à une série d'échantillons de couche. Chaque couche représente une convolution de transposition supérieur d'échantillonnage, à savoir l'opération de déconvolution.
Toutes profondeur de convolution de transposition de 1024 a été réduite à trois, ce qui représente une image couleur RVB. Dernière couche de sortie de fonction (tanh) tenseur de 28x28x3 via tangente hyperbolique.
Structure discriminateur:
discriminateur de travail dont la reconnaissance d'image est réel et ce qui est faux. Discriminateur dispose également d'un encombrement normalisé, lekeay Relu la couche CNN 4 (à l'exception de la couche d'entrée). Discriminateur reçoit l'image de sortie (une taille de 28 * 28 * 3) et soumis à convolution. Enfin, en utilisant la fonction discriminante logistique sigmoïde pour afficher une image représentant la probabilité de sortie vraie ou fausse.
Lorsque discriminateur voir l'image de différence, il est envoyé au générateur de signal de gradient, le générateur de signal de circuler à partir du discriminateur.
4) discriminateur pertes et les pertes de générateur:
Discriminateur recevant une formation à la fois l'image et le générateur d'image, dans le calcul de la perte du discriminateur, nous devons augmenter les pertes dues à des images réelles et images fausses causées. Deux réseaux sont formés, donc nous devons générer et discriminateurs sont optimisés. Si l'image est réelle, nous espérons la probabilité proche de 1 de la sortie de discriminateur, si l'image est fausse, la probabilité est proche de zéro sortie.
Formation et résultats
......
Vous voulez continuer à lire, s'il vous plaît passer à notre communauté AI Yanxishe: https: //club.leiphone.com/page/TextTranslation/777
Plus de contenu passionnant de faire l'IA Yanxishe.
Les différents domaines, y compris la vision par ordinateur, la sémantique de la parole, la chaîne de blocs, pilote automatique, l'exploration de données, le contrôle intelligent, langages de programmation et d'autres mises à jour quotidiennement.
Lei Feng Lei Feng réseau de réseau (numéro public: Lei Feng réseau (numéro public: Lei Feng réseau (numéro public: Lei Feng réseau)))
