DCGAN生成人脸图像

图书馆(tensorflow)图书馆(keras)停止（“停止”）

dataset_path<-fs：：路径（“~ /数据/ celeba_gan”）# output <- "celeba_gan/"如果（！fs：：dir_exists(dataset_path)) {fs：：dir_create(fs：：path_dir(dataset_path))url<-“https://drive.google.com/uc?id=1O7m1010EJjLE5QxLZiM9Fpjs7Oj6e684”网状：：进口（“gdown”）＄下载(url、输出安静的=真正的）解压缩(输出,exdir =fs：：path_dir(输出)｝dataset_path<-fs：：路径(fs：：path_dir(输出),“img_align_celeba”）

数据集<-image_dataset_from_directory（dataset_path,image_size =c（64，64)，label_mode =零，batch_size =32）数据集<-数据集＄应用(特遣部队＄数据＄实验＄ignore_errors（log_warning =假）)

数据集% > %网状：：as_iterator（）% > %网状：：iter_next（）% > %as.array（）% > %{。1…]}% > %as.raster（max =255）% > %情节（）

鉴频器<-keras_model_sequential（name =“鉴频器”，input_shape =形状（64，64，3.）)% > %layer_conv_2d（64，kernel_size =4，进步=2，填充=“相同”）% > %layer_activation_leaky_relu（α=0.2）% > %layer_conv_2d（128，kernel_size =4，进步=2，填充=“相同”）% > %layer_activation_leaky_relu（α=0.2）% > %layer_conv_2d（128，kernel_size =4，进步=2，填充=“相同”）% > %layer_activation_leaky_relu（α=0.2）% > %layer_flatten（）% > %layer_dropout（0.2）% > %layer_dense（1，激活=“乙状结肠”）总结(鉴别器)

latent_dim<-128升发电机<-keras_model_sequential（input_shape =形状(latent_dim),name =“发电机”）% > %layer_dense（8＊8＊128）% > %layer_reshape（形状（8，8，128）)% > %layer_conv_2d_transpose（128，kernel_size =4，进步=2，填充=“相同”）% > %layer_activation_leaky_relu（α=0.2）% > %layer_conv_2d_transpose（256，kernel_size =4，进步=2，填充=“相同”）% > %layer_activation_leaky_relu（α=0.2）% > %layer_conv_2d_transpose（512，kernel_size =4，进步=2，填充=“相同”）% > %layer_activation_leaky_relu（α=0.2）% > %layer_conv_2d（3.，kernel_size =5，填充=“相同”，激活=“乙状结肠”）总结(发电机)

氮化镓<-new_model_class（“甘”，初始化=函数(discriminator, generator, latent_dim) {超级（）＄｀__init__｀（）自我＄鉴频器<-鉴频器自我＄发电机<-发电机自我＄latent_dim<-latent_dim自我＄重新调节<-layer_rescaling（规模=1/255）}，编译=函数(d_optimizer, g_optimizer, loss_fn) {超级（）＄编译（）自我＄d_optimizer<-d_optimizer自我＄g_optimizer<-g_optimizer自我＄loss_fn<-loss_fn自我＄d_loss_metric<-特遣部队＄keras＄指标＄的意思是（name =“d_loss”）自我＄g_loss_metric<-keras＄指标＄的意思是（name =“g_loss”）}，指标=mark_active（函数（） {列表(自我＄d_loss_metric,自我＄g_loss_metric)}),train_step =函数(real_images) {real_images<-自我＄重新调节(real_images)在潜在空间中随机采样点batch_size<-特遣部队＄形状(real_images) [1］random_latent_vectors<-特遣部队＄随机＄正常的（形状=网状：：元组(batch_size自我＄latent_dim)）#解码为假图像generated_images<-自我＄发电机(random_latent_vectors)#将它们与真实图像结合起来combined_images<-特遣部队＄concat（列表(generated_images real_images),轴=0 l)#组装标签，区分真假图片标签<-特遣部队＄concat（列表（特遣部队＄的(网状：：元组(batch_size 1 l)),特遣部队＄0(网状：：元组(batch_size 1 l)))，轴=0 l）#添加随机噪音标签-重要的技巧!标签<-标签+0.05＊特遣部队＄随机＄统一的(特遣部队＄形状(标签)#训练鉴别器与(特遣部队＄GradientTape（）%, %胶带,{预测<-自我＄鉴频器(combined_images)d_loss<-自我＄loss_fn(标签、预测)})毕业生<-磁带＄梯度(d_loss自我＄鉴频器＄trainable_weights)自我＄d_optimizer＄apply_gradients（zip_lists(毕业生、自我＄鉴频器＄trainable_weights)）在潜在空间中随机采样点random_latent_vectors<-特遣部队＄随机＄正常的（形状=网状：：元组(batch_size自我＄latent_dim)）#组装标签，注明“所有真实图像”misleading_labels<-特遣部队＄0(网状：：元组(batch_size 1 l))#训练生成器(注意，我们不应该更新权重#的鉴别器)!与(特遣部队＄GradientTape（）%, %胶带,{预测<-自我＄鉴频器(自我＄发电机(random_latent_vectors))g_loss<-自我＄loss_fn(misleading_labels预测)})毕业生<-磁带＄梯度(g_loss自我＄发电机＄trainable_weights)自我＄g_optimizer＄apply_gradients（zip_lists(毕业生、自我＄发电机＄trainable_weights))#更新指标自我＄d_loss_metric＄update_state(d_loss)自我＄g_loss_metric＄update_state(g_loss)列表（“d_loss”＝自我＄d_loss_metric＄结果()，“g_loss”＝自我＄g_loss_metric＄结果（））｝）

gan_monitor<-new_callback_class（“gan_monitor”，初始化=函数（num_img =3.，latent_dim =128 l) {自我＄num_img<-num_img自我＄latent_dim<-as.integer(latent_dim)如果（！fs：：dir_exists（“dcgan”) fs：：dir_create（“dcgan”）}，on_epoch_end =函数(epoch, logs) {random_latent_vectors<-特遣部队＄随机＄正常的（形状=形状(自我＄num_img,自我＄latent_dim))generated_images<-自我＄模型＄发电机(random_latent_vectors)generated_images<-特遣部队＄clip_by_value(generated_images＊255，0，255）generated_images<-as.array(generated_images)为(我在seq_len(自我＄num_img)) {image_array_save（generated_images(我…)sprintf（“dcgan / generated_img_ % 03 d_ % d.png”， epoch, i)，规模=假）｝｝）

时代<-15#在实践中，使用~100个epoch氮化镓<-氮化镓（鉴频器=鉴频器,发电机=发电机,latent_dim =latent_dim)氮化镓% > %编译（d_optimizer =optimizer_adam（learning_rate =1的军医)，g_optimizer =optimizer_adam（learning_rate =1的军医)，loss_fn =loss_binary_crossentropy()，）氮化镓% > %适合（数据集,时代=时代,回调函数=列表（gan_monitor（num_img =10，latent_dim =latent_dim)））