使用 GAN 網路生成名人照片

本文為 AI 研習社編譯的技術博客，原標題為 Celebrity Face Generation using GANs (Tensorflow Implementation)，作者 Shubham Sharma。

翻譯 | 王江舟 校對 | 吳曉曼 審核 | 餘杭

生成式對抗網路（GANs）是深度學習中最熱門的話題之一。 生成式對抗網路是一類用於無監督學習演算法的人工演算法，由兩個神經網路組成的系統實現：

生成器

鑒別器

兩個神經網路都在零和遊戲框架中相互競爭。 生成式對抗網路（GANs）是一組模型，他們基本上學習創建與其給出的輸入數據類似的合成數據。

鑒別器的任務是確定給定圖像是否看起來自然（即，是來自數據集的圖像）還是看起來它是人工創建的。 生成器的任務是創建與原始數據分布類似的自然外觀圖像，這些圖像看起來足夠自然以欺騙鑒別器網路。 首先給生成器一個隨機雜訊，使用它產生假圖像，然後將這些假圖像與原始圖像一起發送到鑒別器。

鑒別模型的任務是確定給定圖像看起來是自然的（來自數據集的圖像）還是人工創建的。 這基本上是一個二元分類器，它採用普通卷積神經網路（CNN）的形式。 生成器的任務是創建與原始數據分布類似的自然外觀圖像。

生成器試圖矇騙鑒別器，而鑒別器試圖不被生成器矇騙。當模型通過交替優化訓練時，兩種方法都被改進到「假圖像與數據集圖像無法區分」的點。

生成對抗式網路的數學方程

我們可以認為這個方程由兩部分組成，第一部分是從原始數據分布中採樣的數據，第二部分是從雜訊數據分布中採樣的數據。

第一部分

鑒別者總是希望最大化其圖像分類的正確率。 這裡的圖像是從原始數據分布中採樣的，原始數據分布是真實數據本身。 D（x）是顯示圖像是真實的概率，所以鑒別器總是想要最大化D（x），因此log（D（x））應該最大化並且在這一部分內容中必須最大化。

第二部分

"z"是隨機雜訊樣本，G（z）是使用雜訊樣本生成的圖像。 這個術語的解釋和之前很相似。 生成器總是希望最大化鑒別器被生成的圖像矇騙的概率。 這意味著，生成器想要最大化D（G（z）），因此它應該最小化1-D（G（z）） 也意味著（1-D（G（z）））最小化。

使用GANs 生成名人圖像

名人圖片數據集

CelebA數據集是超過200,000個帶注釋的名人面部圖像的集合。 因為在這個博客中，我只是想生成面孔所以我沒有考慮注釋。

1）獲取數據：

我創建了helper.py文件，你可以通過該文件下載CelebA數據集圖像。 在運行此代碼片段時，它將下載CelebA數據集。（源代碼鏈接如下）。

2）預處理圖像：

由於我僅在面部圖像上工作，為獲得良好的效果所以我將其調整到28 * 28。 我裁剪了圖像中不包含圖像部分的部分。

由於生成式對抗網路很難訓練（你可以查看此鏈接，以了解為什麼生成式對抗網路的訓練如此困難？）https://medium.com/@jonathan_hui/gan-why-it-is-so-hard-to-train-generative-advisory-networks-819a86b3750b

為了獲得準確的結果，我們應該擁有一個良好的GPU（4GB或更高版本），通過運行此代碼片段，你可以了解是否使用自己的GPU安裝了tensorflow。

3）模型輸入和網路結構

我將圖像的寬，高，channel和雜訊參數作為模型的輸入，隨後生成器也會使用它們生成假圖像。

生成器結構：

在解卷積層之後，生成器結構具有緻密層和全連接層（除輸出層外每一層都有批量標準化，leaky ReLu和dropout）。生成器將隨機雜訊向量z，之後把它重塑為4D形狀並把它傳遞給一系列上採樣層。每個上採樣層都代表一個轉置卷積運算，即反卷積運算。

所有轉置卷積的深度從1024一直減少到3 ，它表示RGB彩色圖像。 最後一層通過雙曲正切（tanh）函數輸出28x28x3張量。

鑒別器結構：

鑒別器的工作是識別哪個圖像是真實的，哪個是假的。鑒別器也是具有批量歸一化、lekeay Relu的4層 CNN（輸入層除外）。鑒別器接收輸出圖像（大小為28 * 28 * 3）並對其進行卷積。 最後，鑒別器使用Logistic Sigmoid函數顯示用於表示圖像是真或假的輸出概率。

當鑒別器看到圖像中的差異時，它將梯度信號發送到生成器，此信號從鑒別器流向生成器。

4）生成器損失和鑒別器損失

鑒別器從訓練圖像和生成器兩者接收圖像，因此在計算鑒別器的損失時，我們必須增加由於真實圖像和假圖像造成的損失。兩個網路被同時訓練，所以我們需要將生成器和鑒別器都進行優化。 如果圖像是真實的，我們希望從鑒別器輸出接近1的概率，如果圖像是假的，則輸出接近0的概率。

訓練和結果

當訓練過程正在進行時，生成器產生一組圖像，並且在每個 epoch 之後，它變得越來越好，使得鑒別器不能識別它是真實圖像還是假圖像。 結果生成如下

第1次Epoch和第2次Epoch之後

第3次Epoch和第4次Epoch之後

第5次Epoch和第6次Epoch之後

新面部圖像不斷地產生

我也從這裡獲得了預先訓練好的網路，如果你想使用這個預先訓練好的網路運行生成式對抗網路，那麼請使用我在這裡提供的這個python文件。

運行後，這將生成10個假圖像的集合。 他們之中有一些是：

這些是從給定的預訓練網路生成的假圖像。

到這裡就完成了與生成式對抗網路相關的內容。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！