生成对抗网络做生成手写数字_用生成对抗网络生成数字图像实验资源-CSDN文库

对抗网络

生成对抗网络

182 浏览量 2021-01-06 22:04:43 上传评论收藏 20KB PDF 举报

资源详情

资源评论

资源推荐

生成对抗网络做生成手写数字生成对抗网络做生成手写数字

import tensorflow as tf

import numpy as np

from tensorflow import keras

from tensorflow.keras import layers

import matplotlib.pyplot as plt

(train_images,train_labels),(test_images,test_labels)=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

noise_size=100

batch_size=32

datasets=tf.data.Dataset.from_tensor_slices(train_images)

datasets=datasets.shuffle(train_images.shape[0]).repeat().batch(batch_size)

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

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

epochs=50

num_examples_to_show=8

show_data=tf.random.normal([num_examples_to_show,noise_size])

def generator_model():

#input data is in shape of (batch_size,noise_data)

model=keras.Sequential()

model.add(layers.Dense(128,input_shape=(noise_size,),use_bias=False))

model.add(layers.BatchNormalization())

model.add(layers.LeakyReLU())

model.add(layers.Dense(28*28*1,use_bias=False,activation="tanh"))

model.add(layers.BatchNormalization())

model.add(layers.Reshape((28,28,1)))#output is a four dimensional tensor(batch_size,28,28,1)

#Don't forget the real data has been reshape in (batch_size,28,28,1)

return model

def discriminator_model():

model=keras.Sequential()#除了第一维(因为第一维代表数量)将后面维度压平，即：(60000,28,28)——>(60000,784)

model.add(layers.Flatten())

model.add(layers.Dense(64,use_bias=False))

model.add(layers.BatchNormalization())

model.add(layers.LeakyReLU())

model.add(layers.Dense(1))#(batch_size,1)

return model

def get_loss(fake_output,real_output):

#fake_output and real_output is the output result of discriminator model

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

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

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

D_loss=D_real_loss+D_fake_loss

G_loss=cross_entropy(tf.ones_like(fake_output),fake_output)

return D_loss,G_loss

generator=generator_model()

discriminator=discriminator_model()

def train_op():

for real_data in datasets:

#assert real_data.shape==(batch_size,28,28,1)

noise_data=tf.random.normal([batch_size,noise_size])

print(".",end="")

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

fake_data=generator(noise_data,training=True)

real_output=discriminator(real_data,training=True)

fake_output=discriminator(fake_data,training=True)

dis_loss,gen_loss=get_loss(fake_output,real_output)

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

dis_gradient=dis_tape.gradient(dis_loss,discriminator.trainable_variables)

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论收藏

内容反馈

weixin_38715019

粉丝: 6
资源: 935

生成对抗网络做生成手写数字

评论0

最新资源

生成对抗网络做生成手写数字

评论0

GANs生成对抗网络代码文档等资源_gansmatlab,matlab 生成对抗网络

Conditional GAN (Generative Adversarial Network) with MNIST：手写数字是使用名为Conditional GAN的生成对抗网络合成的。使用Conditional GAN生成手写数字。-matlab开发

利用PyTorch搭建生成对抗网络生成手写数字图像.ipynb

生成对抗网络-手写体识别（GAN-MNIST）

matlab有些代码不运行-GAN-matlab:MATLAB生成对抗网络

生成对抗神经网络matlab代码-Static_Hand_Gesture_Datasets:Static_Hand_Gesture_Datas

8.GAN 和 DCGAN 网络生成图像

GAN-generating-faces:使用生成对抗网络生成人脸的新图像

生成对抗网络实现手写数字生成

生成对抗网络

看我如何让基于生成对抗网络模仿手写数字体系统

生成对抗网络模型

numberGAN_生成对抗网络_

生成对抗网络的详细介绍PPT

基于生成对抗网络GNN实现的手写数字识别python源码(含详细注释+数据+模型直接运行).zip

生成对抗网络（GAN）代码+数据集

生成对抗网络（GAN）实例 代码+数据集

课程设计，竞赛方案，采用 Jittor 神经网络框架，基于 MNIST 数据集，使用 CGAN 条件生成对抗网络进行手写数字生成

adversarial-master.zip_adversarial-master_对抗生成_对抗生成网络_生成对抗_生成对抗网

生成对抗网络笔记

GAN生成手写数字

GAN生成对抗网络

手写数字，原图片，对抗样本

Pytorch实现数字对抗样本生成全套代码（GAN）

深度学习项目开发实战_生成对抗网络_编程案例解析实例详解课程教程.pdf

生成对抗网络的项目代码

生成对抗网络原理及代码解析.pdf

GAN生成对抗网络入门与实战视频教程

基于生成对抗网络GAN实现手写数字识别源码+项目说明+注释.zip

ACGAN生成对抗网络训练Pytorch代码 生成指定数字手写数字图片

最新资源

生成对抗网络（GAN）实例代码+数据集

ACGAN生成对抗网络训练Pytorch代码生成指定数字手写数字图片