网站建设专家哪家好,网站建设分析案例,创意海报设计,扬中最近最新事件1.之前只能做一些图像预测,我有个大胆的想法,如果神经网络正向就是预测图片的类别,如果我只有一个类别那就可以进行生成图片,专业术语叫做gan对抗网络 2.训练代码 import torch import torch.nn as nn import torch.optim as optim import torchvision.transforms as transfo…1.之前只能做一些图像预测,我有个大胆的想法,如果神经网络正向就是预测图片的类别,如果我只有一个类别那就可以进行生成图片,专业术语叫做gan对抗网络 2.训练代码 import torch import torch.nn as nn import torch.optim as optim import torchvision.transforms as transforms import torchvision.datasets as dset import matplotlib.pyplot as plt import os# 设置环境变量 os.environ[KMP_DUPLICATE_LIB_OK] True# 定义生成器模型 class Generator(nn.Module):def __init__(self, input_dim100, output_dim784):super(Generator, self).__init__()self.fc1 nn.Linear(input_dim, 256)self.fc2 nn.Linear(256, 512)self.fc3 nn.Linear(512, 1024)self.fc4 nn.Linear(1024, output_dim)self.relu nn.ReLU()self.tanh nn.Tanh()def forward(self, x):x self.relu(self.fc1(x))x self.relu(self.fc2(x))x self.relu(self.fc3(x))x self.tanh(self.fc4(x))return x# 定义判别器模型 class Discriminator(nn.Module):def __init__(self, input_dim784, output_dim1):super(Discriminator, self).__init__()self.fc1 nn.Linear(input_dim, 1024)self.fc2 nn.Linear(1024, 512)self.fc3 nn.Linear(512, 256)self.fc4 nn.Linear(256, output_dim)self.relu nn.ReLU()self.sigmoid nn.Sigmoid()def forward(self, x):x self.relu(self.fc1(x))x self.relu(self.fc2(x))x self.relu(self.fc3(x))x self.sigmoid(self.fc4(x))return x# 加载 MNIST 手写数字图片数据集 transform transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,)) ]) dataroot path_to_your_mnist_dataset # 替换为 MNIST 数据集的路径 dataset dset.MNIST(rootdataroot, trainTrue, transformtransform, downloadTrue) dataloader torch.utils.data.DataLoader(dataset, batch_size128, shuffleTrue)# 创建生成器和判别器实例 input_dim 100 output_dim 784 generator Generator(input_dim, output_dim) discriminator Discriminator(output_dim)# 定义优化器和损失函数 lr 0.0002 beta1 0.5 optimizer_g optim.Adam(generator.parameters(), lrlr, betas(beta1, 0.999)) optimizer_d optim.Adam(discriminator.parameters(), lrlr, betas(beta1, 0.999)) criterion nn.BCELoss()# 训练 GAN 模型 num_epochs 50 device torch.device(cuda:0 if torch.cuda.is_available() else cpu) print(Device:, device) generator.to(device) discriminator.to(device) for epoch in range(num_epochs):for i, data in enumerate(dataloader, 0):real_images, _ datareal_images real_images.to(device)batch_size real_images.size(0) # 获取批次样本数量# 训练判别器optimizer_d.zero_grad()real_labels torch.full((batch_size, 1), 1.0, devicedevice)fake_labels torch.full((batch_size, 1), 0.0, devicedevice)noise torch.randn(batch_size, input_dim, devicedevice)fake_images generator(noise)real_outputs discriminator(real_images.view(batch_size, -1))fake_outputs discriminator(fake_images.detach())d_loss_real criterion(real_outputs, real_labels)d_loss_fake criterion(fake_outputs, fake_labels)d_loss d_loss_real d_loss_faked_loss.backward()optimizer_d.step()# 训练生成器optimizer_g.zero_grad()noise torch.randn(batch_size, input_dim, devicedevice)fake_images generator(noise)fake_outputs discriminator(fake_images)g_loss criterion(fake_outputs, real_labels)g_loss.backward()optimizer_g.step()# 输出训练信息if i % 100 0:print([Epoch %d/%d] [Batch %d/%d] [D loss: %.4f] [G loss: %.4f]% (epoch, num_epochs, i, len(dataloader), d_loss.item(), g_loss.item()))# 保存生成器的权重和图片示例if epoch % 10 0:with torch.no_grad():noise torch.randn(64, input_dim, devicedevice)fake_images generator(noise).view(64, 1, 28, 28).cpu().numpy()fig, axes plt.subplots(nrows8, ncols8, figsize(12, 12), sharexTrue, shareyTrue)for i, ax in enumerate(axes.flatten()):ax.imshow(fake_images[i][0], cmapgray)ax.axis(off)plt.subplots_adjust(wspace0.05, hspace0.05)plt.savefig(epoch_%d.png % epoch)plt.close()torch.save(generator.state_dict(), generator_epoch_%d.pth % epoch)3.测试模型的代码 import torch import torch.nn as nn import torch.nn.functional as F from torchvision.utils import save_image# 定义生成器模型 class Generator(nn.Module):def __init__(self, input_dim, output_dim):super(Generator, self).__init__()self.fc1 nn.Linear(input_dim, 256)self.fc2 nn.Linear(256, 512)self.fc3 nn.Linear(512, 1024)self.fc4 nn.Linear(1024, output_dim)def forward(self, x):x F.leaky_relu(self.fc1(x), 0.2)x F.leaky_relu(self.fc2(x), 0.2)x F.leaky_relu(self.fc3(x), 0.2)x torch.tanh(self.fc4(x))return x# 创建生成器模型 generator Generator(input_dim100, output_dim784)# 加载预训练权重 generator_weights torch.load(generator_epoch_40.pth, map_locationtorch.device(cpu))# 将权重加载到生成器模型 generator.load_state_dict(generator_weights)# 生成随机噪声 noise torch.randn(1, 100)# 生成图像 fake_image generator(noise).view(1, 1, 28, 28)# 保存生成的图片 save_image(fake_image, generated_image.png, normalizeFalse)#测试结果,由于我的训练集是数字的,所以会生成各种各样的数字,下面明显的是1 #应该也是1 #再次运行,我也看不出来,不过只要我训练只有一个种类的问题就可以生成这个种类的图像 #搞定黑白图,那彩色图应该距离不远了,我需要改进的是把对抗网络的代码改为训练一个种类的图形,不过我感觉这种图形具有随机性,虽然通过训练我们得到了所有图像他们的规律,但是如果需要正常点的图片还是挺难的,就像是上面这张人都不一定知道他是什么东西(在没有颜色的情况下)总结就是精度不够,而且随机性太强了,现在普遍图片AI生成工具具有这个缺点(生成的物体可能会扭曲,挺阴间的),而且生成的图片速度慢,如果谁比较受益那一定是老黄(英伟达)哈哈哈 //比如下面这个图片生成视频的网站 https://app.runwayml.com/login #每一帧看起来都没有问题,就是连起来变成视频不自然,如果有改进方法的话那可能需要引入重力/加速度/光处理 等等物理公式,来让图片更自然…