「埃尔法哥哥」快速看懂如何使用GAN生成“真实”的人脸( 二 )

尽管GAN的概念在理论上很简单，但要建立一个有效的模型却非常困难。在GAN中，有两个深层网络耦合在一起，使得反向传播梯度的难度提高了两倍。
深度卷积GAN（DCGAN）是演示如何构建实用的GAN的模型之一，该GAN可以自己学习如何合成新图像。 DCGAN与GAN非常相似，但专门致力于使用深度卷积网络代替Vanilla GAN中使用的全连接网络。
卷积网络有助于发现图像中的深层相关性，即它们寻找空间相关性。这意味着DCGAN将是图像/视频数据的更好选择，而GAN可以被认为是DCGAN和许多其他体系结构（CGAN ， CycleGAN ， StarGAN等）已经发展起来的一般思想。
让我们加载数据集并查看输入图像的外观：
import numpy as np
import pandas as pd
import os
import tensorflow as tf
PIC_DIR = 'D:/Jupyter/celeba-dataset/img_align_celeba/img_align_celeba/'
from tqdm import tqdm
from PIL import Image
IMAGES_COUNT = 10000
ORIG_WIDTH = 178
ORIG_HEIGHT = 208
diff = (ORIG_HEIGHT - ORIG_WIDTH) // 2
WIDTH = 128
HEIGHT = 128
crop_rect = (0, diff, ORIG_WIDTH, ORIG_HEIGHT - diff)
images = []
for pic_file in tqdm(os.listdir(PIC_DIR)[:IMAGES_COUNT]):
pic = Image.open(PIC_DIR + pic_file).crop(crop_rect)
pic.thumbnail((WIDTH, HEIGHT), Image.ANTIALIAS)
images.append(np.uint8(pic))

本文插图
显示我们图像的格式
【「埃尔法哥哥」快速看懂如何使用GAN生成“真实”的人脸】images = np.array(images) / 255
print(images.shape)
from matplotlib import pyplot as plt

本文插图
我们的部分图像输出出来：
plt.figure(1, figsize=(10, 10))
for i in range(25):
plt.subplot(5, 5, i+1)
plt.imshow(images[i])
plt.axis('off')
plt.show()

本文插图
下一步是创建一个生成器：
生成器则采用另一种方式：试图欺骗判别器的是艺术家。该网络由8个卷积层组成。在这里，首先，我们接受输入， gen_input并将其输入到第一个卷积层中。每个卷积层都执行卷积，然后执行批归一化以及leaky ReLu 。然后，我们返回tanh激活函数。
from keras import Input
from keras.layers import Dense, Reshape, LeakyReLU, Conv2D, Conv2DTranspose, Flatten, Dropout
from keras.models import Model
from keras.optimizers import RMSprop
LATENT_DIM = 32
CHANNELS = 3
def create_generator():
gen_input = Input(shape=(LATENT_DIM, ))
x = Dense(128 * 16 * 16)(gen_input)
x = LeakyReLU()(x)
x = Reshape((16, 16, 128))(x)
x = Conv2D(256, 5, padding='same')(x)
x = LeakyReLU()(x)
x = Conv2DTranspose(256, 4, strides=2, padding='same')(x)
x = LeakyReLU()(x)
x = Conv2DTranspose(256, 4, strides=2, padding='same')(x)
x = LeakyReLU()(x)
x = Conv2DTranspose(256, 4, strides=2, padding='same')(x)
x = LeakyReLU()(x)
x = Conv2D(512, 5, padding='same')(x)