基于GAN的手写数字图像生成项目功能实现

from tensorflow.keras.layers import Dense,BatchNormalization,LeakyReLU,Conv2DTranspose,Reshape,Conv2D,Dropout,Flatten import tensorflow as tf import matplotlib.pyplot as plt import numpy as np import os # Dataset 中的 buffer buffer_size = 60000 # 批次大小 batch_size = 256 # 训练周期 epochs = 15 # 51 # 100 维的随机噪声 noise_dim = 100 # 载入 MNNIST 数据，只需要训练集的图片就可以 (train_images, train_labels), (_, _) = tf.keras.datasets.mnist.load_data() # reshape 为 4 维数据 train_images = train_images.reshape(-1, 28, 28, 1).astype('float32') # 将图片归一化到 [0, 1] 区间内 train_images = train_images/ 255.0 # 定义 Dataset，用于生成打乱后的批次数据 # tf.data.Dataset.from_tensor_slices(train_images) # .shuffle(buffer_size) # .batch(batch_size) train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(buffer_size).batch(batch_size) # 定义生成器 def generator_model(): # 顺序模型 model = tf.keras.Sequential() # 传入噪声数据，然后与 7*7*256 个神经元进行全连接 # 7*7*256 主要是为了后面可以 Reshape 变成(7, 7, 256) model.add(Dense(7 * 7 * 256, input_shape=(noise_dim,))) model.add(BatchNormalization()) model.add(LeakyReLU()) # 变成 4 维图像数据(-1,7,7,256) model.add(Reshape((7, 7, 256))) # 转置卷积，图像 shape 变成(-1,7,7,128) model.add(Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same')) model.add(BatchNormalization()) model.add(LeakyReLU()) # 转置卷积，图像 shape 变成(-1,14,14,64) model.add(Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same')) model.add(BatchNormalization()) model.add(LeakyReLU()) # 转置卷积，图像 shape 变成(-1,28,28,1) # 激活函数使用 sigmoid，主要是因为我们把 MNIST 数据图片归一化为[0,1]之间了，生成的假图片要跟真实图片数据匹配 model.add(Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', activation='sigmoid')) return model # 定义判别器 def discriminator_model(): # 顺序模型 model = tf.keras.Sequential() # 传入一张图片数据进行卷积，卷积后图像 shape 为(1,14,14,64) model.add(Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1])) model.add(LeakyReLU()) model.add(Dropout(0.3)) # 卷积后图像 shape 为(1,7,7,128) model.add(Conv2D(128, (5, 5), strides=(2, 2), padding='same')) model.add(LeakyReLU()) model.add(Dropout(0.3)) model.add(Flatten()) # 最后输出一个值，激活函数为 sigmoid 函数，用于判断图片的真假 model.add(Dense(1, activation='sigmoid')) return model # 创建生成器模型 generator = generator_model() # 创建判别器模型 discriminator = discriminator_model() # 生成随机数 noise = tf.random.normal([1, noise_dim]) # print(noise.shape) # (1, 100) # 传入生成器生成一张图片 # (1, 100) generated_image = generator(noise, training=False) # 显示出图片，刚开始模型还没有训练，所以生成的图片会得到噪声图片 plt.imshow(generated_image[0, :, :, 0], cmap='gray') plt.show() # 定义 2 分类交叉熵代价函数 cross_entropy = tf.keras.losses.BinaryCrossentropy() # 判别器 loss，传入对真实图片的判断结果以及对假图片的判断结果 def discriminator_loss(real_output, fake_output): # tf.ones_like(real_output)表示对真实图片的判断结果应该全为 1 real_loss = cross_entropy(tf.ones_like(real_output), real_output) # tf.zeros_like(fake_output)表示对假图片的判断结果应该全为 0 fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output) # 求总 loss，再返回 total_loss = real_loss + fake_loss return total_loss # 生成器 loss，传入判别器对假图片的判断结果 # 对于生成器来说，生成器希望判别器对假图片的判断结果都是 1 # 所以标签设定为 tf.ones_like(fake_output)，全为 1 # 生成器模型在训练过程中会不断优化自身参数，使得模型生成逼真的假图片 def generator_loss(fake_output): return cross_entropy(tf.ones_like(fake_output), fake_output) # 由于我们需要分别训练两个网络，判别器和生成器的优化器是不同的。 generator_optimizer = tf.keras.optimizers.Adam(3e-4) discriminator_optimizer = tf.keras.optimizers.Adam(1e-4) # 把生成器模型和判别器模型以及对应的优化器存入 checkpoint checkpoint = tf.train.Checkpoint(generator_optimizer=generator_optimizer, discriminator_optimizer=discriminator_optimizer, generator=generator, discriminator=discriminator) /* 开发不易，整理也不易，如需要详细的说明文档和程序，以及完整的数据集，训练好的模型，或者进一步开发， 可加作者新联系方式咨询，WX：Q3101759565，QQ：3101759565 */ # 生成图片并保存显示 def generate_and_save_images(model, epoch, test_input): predictions = model(test_input, training=False) # 画 16 张子图 for i in range(16): plt.subplot(4, 4, i + 1) plt.imshow(predictions[i, :, :, 0], cmap='gray') plt.axis('off') plt.savefig('image_at_epoch_{:04d}.png'.format(epoch)) # 显示图片 plt.show() # 训练模型 def train(dataset, epochs): for epoch in range(epochs): for image_batch in dataset: train_step(image_batch) # 显示和保存图片 # generator是在训练的网络 # 这里可见每一个epoch进行生成图片显示 generate_and_save_images(generator, epoch, seed) # 每 5 个 epoch 保存一次模型 if epoch % 5 == 0: # checkpoint 为需要保存的内容 # 'checkpoint_dir'为模型保存位置 # max_to_keep 设置最多保留几个模型 # 保存模型 # checkpoint_number 设置模型编号 manager.save(checkpoint_number=epoch) # 模型训练 train(train_dataset, epochs)